FedX: Poda Guiada por Explicações para Aprendizado Federado Eficiente em Comunicação em Sensoriamento Remoto

O aprendizado federado (FL) permite o treinamento colaborativo de redes neurais profundas em arquivos de dados descentralizados (ou seja, clientes), onde cada cliente armazena dados localmente e compartilha apenas atualizações de modelo com um servidor central. Isso torna o FL um paradigma de aprendizado adequado para tarefas de classificação de imagens em sensoriamento remoto (RS), onde a centralização de dados pode ser restrita devido a limitações legais e de privacidade. No entanto, um desafio-chave na aplicação do FL em tarefas de RS é a sobrecarga de comunicação causada pela troca frequente de grandes atualizações de modelo entre clientes e o servidor central. Para abordar essa questão, neste artigo propomos uma nova estratégia (denominada FedX) que usa poda guiada por explicações para reduzir a sobrecarga de comunicação, minimizando o tamanho dos modelos transmitidos sem comprometer o desempenho. O FedX aproveita métodos de explicação baseados em retropropagação para estimar a importância específica da tarefa dos componentes do modelo e poda os menos relevantes no servidor central. O modelo global esparso resultante é então enviado para os clientes, reduzindo substancialmente a sobrecarga de comunicação. Avaliamos o FedX na classificação de cenas multirótulo usando o conjunto de dados BigEarthNet-S2 e na classificação de cenas de rótulo único usando o conjunto de dados EuroSAT. Os resultados experimentais mostram o sucesso do FedX em reduzir significativamente o número de parâmetros do modelo compartilhados, enquanto melhora a capacidade de generalização do modelo global, em comparação com o modelo não podado e métodos de poda de última geração. O código do FedX estará disponível em https://git.tu-berlin.de/rsim/FedX.