DOI：10.1109/ICCWorkshops59551.2024.10615411

地震数据/图像对于理解地下结构至关重要。然而，地震图像需要转换为能够识别地下层深度和厚度的速度图像才能进行准确的结构分析，这一转换通常通过地震全波形反演（FWI）实现。近年来，各种深度神经网络（DNN）被提出用于替代FWI，经过良好训练的DNN通常计算成本更低，但能生成与FWI相似的速度图像。然而，DNN模型的训练需要将现场地震接收器采集的地震数据传输到集中式数据中心，这会带来数据隐私和安全问题。地震现场测试通常在偏远地区进行，这些地方缺乏数据中心和互联网基础设施，因此无法实时训练DNN并实现地震反演。本文提出了一种用于地震反演的异步联邦学习（AsyncFedInv）框架，该框架利用多台边缘计算板等物联网设备，通过新颖的异步联邦学习方法协同实时训练紧凑的UNet模型。其中，1）引入了陈旧度函数以缓解模型陈旧问题，2）对于生成相似本地模型的客户端，将暂停其训练，从而降低通信成本和能耗。仿真结果表明，AsyncFedInv在收敛速度与基线算法FedAvg相当的同时，训练损失更低，测试性能更优。

联邦学习是一种带有隐私保护、安全加密技术的分布式机器学习框架，能够让各参与方在不像其他参与者披露隐私数据的前提下协作进行机器学习模型训练。

要注意联邦学习本身并不是监督学习或非监督学习，它是更高层次的分布式协作框架，使得各个参与者能够将数据本地化的同时进行协作训练，而训练的具体任务所使用的模型和算法取决于训练者，可以是监督或者非监督中的各类模型和算法。

联邦学习非常使用运用在一些需要隐私保护的场景，例如Google最早将联邦学习运用在Google键盘上，利用用户本地的数据训练模型，再将训练过程中的模型参数聚合与分发，最终实现精准预测用户下一输入。