数据岛之桥：针对协作遥感语义分割的地理异质感知联邦学习

FedAlign是一种基于局部学习广泛性的数据异构性联邦学习解决方案，能够在不增加大量计算和内存开销的情况下实现与最先进的FL方法相当的精度。

该研究首次在遥感领域对当前最先进的联邦学习算法进行了比较，提供了选择合适算法的理论比较和实验分析。

FedGSP是一种数据异构鲁棒的联邦学习方法，通过动态序列-并行协作训练和Inter-Cluster Grouping算法，显著提高了准确率并降低了训练时间和通信成本。

在遥感图像分类的联邦学习中，引入了创新的通信策略，如特性中心通信和伪权重合并，展示了加速收敛和提高隐私性的效果。

提出了一种基于半监督联邦学习框架的无人机图像识别方法，利用客户端频率的聚合规则来调整本地模型的权重，以应对数据的统计异质性问题。