面向异构卫星网络的半监督性层次聚类聚合联邦学习框架
分布式、并行与集群计算
2025-07-31 v1 机器学习
摘要
低轨道（LEO）卫星正在成为6G网络中关键组件，众多卫星已部署以支持大规模地球观测和感知相关任务。联邦学习（FL）为这些资源受限和动态环境中的分布式智能提供了有前景的范畴。然而，在异构且部分无标签的卫星网络中实现可靠收敛，同时最小化处理时间和能源消耗，仍是一个重大的挑战。为此，我们提出一种专为LEO卫星网络设计的、具层次聚类聚合的半监督性联邦学习框架。为进一步减少通信开销，我们集成了稀疏化和自适应权重量化技术。此外，我们将FL聚类分为两个阶段：卫星聚类聚合阶段和地面站（GS）聚合阶段。在GS处的监督学习指导所选参数服务器（PS）卫星，进而支持在联邦训练过程中对完全无标签的卫星。在卫星网络测试平台上进行的大量实验表明，我们的方案在保持模型精度的同时，显著减少处理时间（最高可达3倍）和能源消耗（最高可达4倍），优于其他比较方法。
引用
@article{arxiv.2507.22339,
title = {A Semi-Supervised Federated Learning Framework with Hierarchical Clustering Aggregation for Heterogeneous Satellite Networks},
author = {Zhuocheng Liu and Zhishu Shen and Qiushi Zheng and Tiehua Zhang and Zheng Lei and Jiong Jin},
journal= {arXiv preprint arXiv:2507.22339},
year = {2025}
}