A Comparative Study of Client-Level Stabilization Techniques in Federated Learning for Robust Plant Disease Recognition
比较联邦学习客户端级稳定化技术，提升植物病害识别的鲁棒性。
← 主题
#联邦学习
A Privacy-Preserving Federated Learning Framework for Paddy Leaf Disease Detection Using an Enhanced Pretrained Novel EfficientNet-Lite4 Model
提出联邦学习结合改进EfficientNet-Lite4的水稻叶片病害检测框架，兼顾隐私与精度。
American Journal of Environmental Science and Engineering·10月9日 · 周五66 分 论文物联网传感与边缘计算智慧农业 / 农业物联网阅读 2
Smart Agriculture and Environmental Monitoring: An Edge-AI, IoT, and Federated Learning Framework for Climate-Resilient Farming
提出边缘AI、物联网与联邦学习集成的智慧农业环境监测架构与评估协议，未开展实地试验。
A secure federated learning framework with blockchain-based authentication for anomaly detection in cooperative smart farming
提出融合联邦迁移学习与区块链认证的异常检测框架，保障协作智慧农业数据隐私与安全。
Zenodo (CERN European Organization for Nuclear Research)·9月18日 · 周五61 分 论文农业AI与大模型智慧农业 / 农业物联网2 个信源同时报道 阅读 2
Wireless Sensor Network Intrusion Detection: A Review of Statistical, Machine Learning, and Federated Methods
综述无线传感器网络入侵检测从统计到机器学习、深度学习、可解释AI与联邦学习的方法演进与挑战。
An energy-aware federated intelligence framework for sustainable WSN-IoT ecosystems
提出EcoSense-AI联邦智能框架，解决WSN-IoT能耗、隐私与通信瓶颈。
Communication-efficient Federated Transfer Learning for real-time intrusion detection in agricultural IoT systems
提出联邦迁移学习入侵检测方法，将流量转灰度图复用轻量视觉模型，实现农业物联网实时检测。
Information fusion in smart agriculture: machine learning applications and future research directions
综述系统分析 ML 在农业中的应用，强调多源数据融合（遥感、IoT、生物数据）对精准农业的关键作用。围绕四个研究目标展开：（1）探索 ML 在收获前、收获中、收获后阶段的整合；（2）展示多源数据融合的益处；（3）研究当前研究趋势；（4）汇编关键公共数据集。重点提及 Transformer、GAN、联邦学习、持续学习和可解释 AI 等新兴方法在应对现代农业挑战中的作用。