将联邦学习引入太空
机器学习
2025-11-20 v1
摘要
随着 Low Earth 轨道（LEO）卫星星座快速扩展到数百甚至上千颗航天器，分布式 onboard 机器学习以解决下行链路带宽限制的需求变得至关重要。联邦学习（FL）提供了一个在卫星网络中进行协作模型训练的有前景的框架。实现其在太空中的优势自然需要应对从间歇性连接到由轨道运动施加的动态约束。本工作提出了首个系统性地分析将现成 FL 算法适用于卫星星座部署可行性的研究。我们引入了全面的“太空化”框架，将陆地算法（FedAvg、FedProx、FedBuff）适配到轨道约束下运行，形成一套轨道就绪的 FL 算法套件。我们随后通过对 768 个星座配置进行大规模参数扫描评估这些太空化方法，这些配置的簇大小（1-10）、每簇卫星数（1-10）和地面站网络（1-13）各不相同。我们的分析表明，太空化 FL 算法可高效扩展至最高 100 颗卫星的星座，实现接近集中式理想值的性能。通过轨道调度和卫星簇内部的本地协调，将多月训练周期缩短为天数，实现约 9 倍的加速。这些结果为未来任务设计者提供了可操作的见解，使卫星 onboard 学习能够实现更自主、更具韧性和更具数据驱动性的航天器运作。
关键词
引用
@article{arxiv.2511.14889,
title = {Bringing Federated Learning to Space},
author = {Grace Kim and Filip Svoboda and Nicholas Lane},
journal= {arXiv preprint arXiv:2511.14889},
year = {2025}
}
备注
15 pages, 9 figures, 3 tables accepted to IEEE Aeroconf 2026