Editorial Ilmu Komputer & AI
Open AccessOA2026
Optimisasi Bayesian Terkendala untuk Hierarchical Federated Learning di Jaringan IoT untuk Klasifikasi Penyakit Tanaman
Kerangka kerja hemat sampel untuk menyetel secara bersama backbone deep learning, strategi agregasi, dan jumlah putaran komunikasi di bawah kendala energi, latensi, dan akurasi
Athanasios Papanikolaou; Athanasios Tziouvaras; Apostolos Xenakis; Periklis Chatzimisios; Shameem A. Puthiya Parambath; George Floros; Enrica Zereik; Ivan Petrovic; Fabio Bonsignorio· 2026· DOI 10.48550/arXiv.2609.06830
Masalah inti
Menerapkan Hierarchical Federated Learning (HFL) di lingkungan Internet of Things (IoT) yang terbatas sumber daya menuntut konfigurasi yang cermat untuk menyeimbangkan kinerja prediktif dengan konsumsi energi dan waktu eksekusi. Tantangan ini sangat kentara di pertanian cerdas, tempat perangkat IoT terdistribusi harus mendukung klasifikasi penyakit tanaman otomatis di bawah anggaran komputasi dan komunikasi yang terbatas. Para penulis mengatasi hal ini dengan merumuskan masalah konfigurasi HFL sebagai tugas optimisasi terkendala dan menyelesaikannya dengan Optimisasi Bayesian (BO). Kerangka kerja ini menjelajahi tiga variabel keputusan utama secara bersama: arsitektur backbone deep learning, strategi agregasi federated, dan jumlah putaran komunikasi. Ukuran federasi tidak diperlakukan sebagai variabel bebas; sebagai gantinya, ukuran itu ditentukan oleh kebutuhan cakupan spasial penerapan pertanian. Fungsi objektif berbobot mengodekan trade-off yang ditentukan pengguna di antara konsumsi energi, waktu eksekusi, dan kinerja prediktif, sementara kendala eksplisit menegakkan kebutuhan sumber daya dan akurasi spesifik penerapan. Makalah ini mengevaluasi pendekatan tersebut pada tugas kl
Inovasi
Hasil eksperimen pada 30 eksekusi optimisasi independen menunjukkan bahwa kerangka kerja BO terkendala hanya menjelajahi 11,11% dari ruang pencarian penuh sambil secara konsisten mengidentifikasi solusi dalam 1% dari optimum pencarian menyeluruh. Rata-rata celah optimalitas hanya 0,056%, yang menunjukkan pemilihan konfigurasi mendekati optimal dengan upaya komputasi yang jauh lebih sedikit. Kerangka kerja ini berhasil menangani trade-off di antara konsumsi energi, waktu eksekusi, dan kinerja prediktif, menghasilkan konfigurasi yang memenuhi semua kendala spesifik penerapan. Evaluasi mempertimbangkan berbagai arsitektur deep learning, strategi agregasi federated, dan pengaturan putaran komunikasi, yang menegaskan keumuman pendekatan ini di seluruh ruang desain HFL yang diuji. Celah optimalitas yang rendah dan efisiensi sampel yang tinggi menyoroti kelayakan praktis BO terkendala untuk menyetel penerapan HFL di lingkungan IoT yang terbatas sumber daya.
Menerapkan Hierarchical Federated Learning (HFL) di lingkungan Internet of Things (IoT) yang terbatas sumber daya menuntut konfigurasi yang cermat untuk menyeimbangkan kinerja prediktif dengan konsumsi energi dan waktu eksekusi. Tantangan ini sangat kentara di pertanian cerdas, tempat perangkat IoT terdistribusi harus mendukung klasifikasi penyakit tanaman otomatis di bawah anggaran komputasi dan komunikasi yang terbatas. Para penulis mengatasi hal ini dengan merumuskan masalah konfigurasi HFL sebagai tugas optimisasi terkendala dan menyelesaikannya dengan Optimisasi Bayesian (BO). Kerangka kerja ini menjelajahi tiga variabel keputusan utama secara bersama: arsitektur backbone deep learning, strategi agregasi federated, dan jumlah putaran komunikasi. Ukuran federasi tidak diperlakukan sebagai variabel bebas; sebagai gantinya, ukuran itu ditentukan oleh kebutuhan cakupan spasial penerapan pertanian. Fungsi objektif berbobot mengodekan trade-off yang ditentukan pengguna di antara konsumsi energi, waktu eksekusi, dan kinerja prediktif, sementara kendala eksplisit menegakkan kebutuhan sumber daya dan akurasi spesifik penerapan. Makalah ini mengevaluasi pendekatan tersebut pada tugas klasifikasi penyakit tanaman berbasis IoT menggunakan berbagai arsitektur deep learning, strategi agregasi, dan pengaturan putaran komunikasi.
Kerangka kerja yang diusulkan merumuskan konfigurasi HFL sebagai masalah optimisasi kotak hitam terkendala. Misalkan menyatakan vektor konfigurasi, dengan adalah arsitektur backbone deep learning, adalah strategi agregasi federated, dan adalah jumlah putaran komunikasi. Ukuran federasi ditetapkan secara apriori berdasarkan cakupan spasial yang dibutuhkan penerapan pertanian. Tujuannya adalah meminimalkan fungsi biaya berbobot:
Mengapa penting
Hasil ini menegaskan efektivitas Optimisasi Bayesian terkendala untuk konfigurasi HFL di pertanian cerdas berbasis IoT. Dengan hanya menjelajahi 11,11% ruang pencarian, metode ini secara drastis mengurangi beban komputasi yang terkait dengan pencarian menyeluruh, yang krusial ketika setiap evaluasi melibatkan pelatihan dan simulasi penerapan federated learning. Rata-rata celah optimalitas 0,056% menegaskan bahwa model surrogate dan fungsi akuisisi memandu pencarian menuju solusi mendekati optimal secara andal. Penanganan kendala secara eksplisit memastikan bahwa konfigurasi yang dikembalikan tidak hanya berkinerja baik tetapi juga patuh terhadap kebutuhan sumber daya dan akurasi dunia nyata. Optimisasi bersama atas arsitektur backbone, strategi agregasi, dan putaran komunikasi menangkap interaksi penting yang sering terabaikan ketika parameter-parameter ini disetel secara independen. Sebuah batasan adalah bahwa ukuran federasi ditetapkan oleh cakupan spasial alih-alih dioptimalkan, yang mungkin menyisakan sebagian kinerja dalam penerapan yang kebutuhan cakupannya fleksibel. Pekerjaan mendatang dapat memperluas kerangka kerja ini ke ukuran federasi dinamis, adaptasi daring terhadap kondisi yang berubah, dan integrasi dengan perangkat keras IoT yang lebih beragam. Secara keseluruhan, studi ini menyediakan metodologi yang praktis dan hemat sampel untuk menerapkan HFL di pertanian presisi, dengan potensi transferabilitas ke aplikasi federated learning lain yang terbatas sumber daya.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…