加速大规模 LEO 卫星系统中的隐私保护联邦学习
机器学习
2025-09-17 v1 人工智能
分布式、并行与集群计算
摘要
大规模低轨（LEO）卫星系统因其能够实现快速、广域的数据交换而日益受到重视，从而促进了跨地理分布区域的 AI 模型协同训练。由于隐私问题和监管约束，远程客户端采集的原始数据无法被集中聚合，这构成了传统 AI 训练方法的主要障碍。联邦学习通过在分布式设备上训练本地模型并仅交换模型参数，提供了一种隐私保护替代方案。然而，卫星系统的动态拓扑和有限带宽将阻碍及时的参数聚合与分发，导致训练时间延长。为应对这一挑战，我们研究了卫星网络上的联邦学习调度问题，并识别了影响每轮训练总持续时间的关键瓶颈。我们提出了一种基于离散时间图的按需调度框架，动态分配通信资源以加速联邦学习。仿真结果表明，所提方法相比传统的基于统计复用的模型交换策略取得了显著的性能提升，将总体轮次时间减少了 14.20% 至 41.48%。此外，对于更大的模型和更多的客户端数量，加速效果更为显著，突显了所提方法的可扩展性。
引用
@article{arxiv.2509.12222,
title = {Accelerating Privacy-Preserving Federated Learning in Large-Scale LEO Satellite Systems},
author = {Binquan Guo and Junteng Cao and Marie Siew and Binbin Chen and Tony Q. S. Quek and Zhu Han},
journal= {arXiv preprint arXiv:2509.12222},
year = {2025}
}
备注
Submitted to IEEE conference for publication