广东
近日，福建师范大学汪晓丁团队和中国热带农业科学院/福建农林大学阙友雄团队在国家重点研发计划和国家糖料产业技术体系等项目的资助下，在国际知名学术期刊Journal of Systems Architecture合作发表了题为“Fed-MPS: Federated learning with local differential privacy using model parameter selection for resource-constrained CPS”的文章。
农业育种涉及大量的数据分析，人工智能强大的数据分析能力为农业育种带来新的方法。在联邦学习的帮助下，农业利益相关者可以共享模型更新而非数据，不同地区农场可在各自本地上训练自己的育种模型，而后上传本地模型聚合成全局模型，确保全局育种模型可以考虑来自不同地区的育种条件，具有更广泛的适用性。文章提出了一种联邦学习方案，该方案可应用于农业育种，并实现了数据隐私保护和计算效率的提升。借助该方案训练而成的全局育种模型，农业育种相关人员可以更高效地分析和处理遗传数据，以预测和优化作物的遗传特性和农业性状，加速作物改良进程。这将为农业生产提供更高产、更适应、更抗病的品种，有望推动智慧农业的进一步发展。该方案中，信息物理系统（CPS）代表了无缝集成计算、通信和控制的下一代智能架构，该框架成功地实现了通过人机交互界面与物理过程的交互。该方案建立在CPS与联邦学习相结合的架构上（图1），涉及客户端和服务器两类参与者，并在CPS 的三层网络内建立，包括感知层、网络层和控制层。本地设备是感知层的一部分，负责收集本地农场上的农作物育种数据，训练得到的本地育种模型的通过网络层传输到控制层的服务器上聚合形成全局育种模型。在农业育种中，联邦学习方案下的农业CPS通过感知、学习和认知构建整个育种系统的智能模型，用于优化决策，实现高质量、高效率、低损耗的育种方案。
图1 结合了CPS和联邦学习的农业育种架构
联邦学习在农业中的应用，以及人工智能和物联网驱动的智能农业系统的开发，给解决农业育种面临的众多挑战（例如大规模的基因组数据量、复杂性状的解析）带来了很大的希望。智能农业系统将配备各种传感器，向基于云的平台提供实时数据，通过利用高效的人工智能算法，可对海量的数据进行分析，构建智能育种决策，以创建作物优良品系。通过联邦学习可以保证系统的学习能力，不断收集农场数据以提高整体性能，从而进一步提高育种效率，加速作物的改良进程。联邦学习方案下的作物育种工作流程大体包括6个步骤（图2）：（1）各地区的农业育种人员利用传感器在其农田中收集的数据，用于训练本地模型。收集的数据有助于优化育种模型以提高作物产量和质量；（2）在本地育种模型训练过程中，选择参数以缩小待上传的训练模型的规模；（3）加入噪声扰动使得数据不易被恶意攻击者识别；（4） 通过网络层将育种模型传输到服务器端；（5）服务器对来自各地区的育种模型进行聚合形成全局育种模型；（6）全局育种模型分发给各地区的育种客户端。这样一来，每个农业育种人员都可以获得联邦学习过程中共同训练得到的最终模型，以进一步优化其农作物育种工作。
图2 拟议的联邦学习方案的流程图
中国热带农业科学院客座研究人员/福建师范大学汪晓丁副教授为该论文的通讯作者。福建师范大学在读硕士研究生江水为第一作者，中国热带农业科学院甘蔗研究中心主任/热带作物生物育种全国重点实验室/福建农林大学阙友雄研究员和福建师范大学林晖教授积极参与论文策划、研究实施和论文撰写。该研究得到国家重点研发计划、国家糖料产业技术体系、国家自然科学基金和福建省自然科学基金的资助。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
