ALANINE：面向异构 LEO 卫星星座的新型去中心化个性化联邦学习
分布式、并行与集群计算
2024-11-13 v1
摘要
近年来，低地球轨道（LEO）卫星星座显著增长并功能增强，集成了通信、导航和遥感等多种能力。然而，不同卫星收集数据的异构性以及高效星间协同计算的问题，对发挥这些星座的潜力构成重大障碍。现有方法难以应对数据异构性、变化的图像分辨率以及高效在轨模型训练的需求。为应对这些挑战，我们提出了一种新型去中心化 PFL 框架，即面向异构 LEO 卫星星座的新型去中心化个性化联邦学习（ALANINE）。ALANINE 融合去中心化联邦学习（DFL）用于卫星图像超分辨率（SR），以提升输入数据质量。然后利用 PFL 实现个性化方法，以适应卫星数据的独特特征。此外，框架采用先进的模型剪枝以优化模型复杂度和传输效率。该框架实现高效的数据获取和处理，同时提高 PFL 图像处理模型的准确性。仿真结果表明，与传统集中式方法相比，ALANINE 在 SR 和 PFL 图像处理模型的在轨训练中表现出优越性能。这种新方法在数据获取效率、处理准确性和模型对本地卫星条件的适应性方面显示出显著改进。
引用
@article{arxiv.2411.07752,
title = {ALANINE: A Novel Decentralized Personalized Federated Learning For Heterogeneous LEO Satellite Constellation},
author = {Liang Zhao and Shenglin Geng and Xiongyan Tang and Ammar Hawbani and Yunhe Sun and Lexi Xu and Daniele Tarchi},
journal= {arXiv preprint arXiv:2411.07752},
year = {2024}
}
备注
14 pages, 8 figures