受大脑启发的卫星网络空间计算力网络中的去中心化学习
机器学习
2025-01-28 v1 分布式、并行与集群计算
网络与互联网体系结构
信号处理
摘要
卫星网络通过先进的遥感技术能够收集大规模空间信息，这对于自然灾害监测等实时应用至关重要。然而，传统的地面服务器集中处理会因原始数据传输瓶颈导致时效性严重问题。为此，Space Computing Power Networks（Space-CPN）作为协调卫星计算能力并实现板上数据处理的新型架构而引人关注。然而，由于太阳能板的自然限制，卫星电力系统难以满足人工神经网络日益增长的智能计算任务的能源需求。为此，我们提出采用脉冲神经网络（SNNs），其受神形计算架构支持，能够实现高能效的板上数据处理。进一步为实现这些板上模型的有效训练，我们提出一种去中心化神形学习框架，其中采用受 RelaySum 启发的通信高效星际模型聚合方法。我们提供理论分析来刻画所提出算法的收敛行为，揭示网络直径相关的收敛速度。随后，我们在星际互连拓扑上建立最小直径生成树问题，以进一步提升学习性能。进行大量实验评估所提出方法的优势。
引用
@article{arxiv.2501.15995,
title = {Brain-Inspired Decentralized Satellite Learning in Space Computing Power Networks},
author = {Peng Yang and Ting Wang and Haibin Cai and Yuanming Shi and Chunxiao Jiang and Linling Kuang},
journal= {arXiv preprint arXiv:2501.15995},
year = {2025}
}