FedMAD：面向遥感图像分类的联邦学习调制感知方向聚合方法

FedMAD 提出一种个性化联邦学习框架，将全局共享表征参数与客户端自适应参数分离，通过轻量调制模块与本地批归一化层保留域特异性特征。框架引入调制感知方向聚合策略，根据本地调制更新对齐程度动态调整聚合权重，抑制异构数据分布带来的冲突更新。在 BigEarthNet-S2 和 EuroSAT 数据集上的实验验证了 FedMAD 在异构遥感数据分布下优于现有主流联邦学习算法的效果，代码将公开可用。