GenFedEdgeAgri: Diffusion-Enhanced Federated Edge AIoT for Climate-Resilient Precision Agriculture

方法

在边缘网关部署轻量潜在扩散模型生成合成样本，结合联邦学习聚合权重。

发现

预注册假设：病害检测精度提升14.2%、土壤湿度RMSE降19%、通信轮次减43%。

机会点

可验证扩散增强联邦学习在非IID农业数据下的真实增益，并探索生成样本质量评估与隐私泄露风险。

现代精准农业受到数据稀缺、隐私顾虑以及偏远地区高延迟的制约，而集中式AI模型在面对多样化数据集不足且利益相关方不愿共享敏感数据的情况下，难以预测罕见的气候诱导型作物胁迫。为应对这些障碍，本研究提出GenFedEdgeAgri框架，旨在改进气候韧性作物监测、土壤智能与智能灌溉，并考察通过将生成扩散模型（Generative Diffusion Models, GDMs）融入联邦边缘AIoT架构所实现的合成数据驱动增强如何提升模型鲁棒性，同时保持较强的本地化隐私保护。在方法上，我们提出一种去中心化架构，其中边缘AIoT网关采用轻量级潜在扩散模型生成养分耗竭与极端天气胁迫的高保真合成样本；这些样本在联邦学习（Federated Learning, FL）权重聚合之前强化本地模型，从而缓解非独立同分布（non-IID）数据分布的影响。我们制定了一项预注册评估协议——包含明确的数据集、基线与指标——在该协议下将本框架与标准FL框架在多模态数据的准确率、决策延迟和通信成本方面进行比较。该框架依据预先指定的协议进行评估；预期收益——作物病害检测准确率提升14.2%、土壤湿度预测RMSE相对降低19%、通信轮次最多减少43%——作为待实证确认的预注册假设提出，而非已验证结果。若得到确认，GenFedEdgeAgri将为可持续智能基础设施提供一条可扩展、隐私保护的路径，通过能够预判气候变化的端侧智能推进自主化节水农业。