星地融合网络中的协作联邦学习：联合本地计算与数据卸载
分布式、并行与集群计算
2023-12-27 v1 人工智能
摘要
尽管网络覆盖范围持续扩大，但许多位于偏远地区的设备仍无法连接到地面通信基础设施，导致其无法获取相关的数据驱动服务。在本文中，我们提出了一种星地协作联邦学习（FL）方法，以促进偏远地区的机器学习服务管理。该方法协调卫星星座在 FL 期间提供以下关键功能： 处理从地面设备卸载的数据； 在设备集群内聚合模型； 通过星间链路（ISL）将模型/数据中继至其他卫星。由于每颗卫星对特定偏远区域的覆盖时间有限，我们通过 ISL 促进卫星将训练好的模型和获取的数据传输至邻近卫星，以便后续过境卫星能够继续为该区域执行 FL。我们从理论上分析了算法的收敛行为，并开发了一个训练延迟最小化器，针对特定卫星的网络资源进行优化，包括从地面设备卸载至卫星的数据量以及卫星的计算速度。通过在三个数据集上的实验，我们表明与仅依赖地面网络的方法及其他卫星基线方法相比，我们的方法能够显著加速 FL 的收敛。
引用
@article{arxiv.2312.15361,
title = {Cooperative Federated Learning over Ground-to-Satellite Integrated Networks: Joint Local Computation and Data Offloading},
author = {Dong-Jun Han and Seyyedali Hosseinalipour and David J. Love and Mung Chiang and Christopher G. Brinton},
journal= {arXiv preprint arXiv:2312.15361},
year = {2023}
}
备注
This paper is accepted for publication in IEEE Journal on Selected Areas in Communications (JSAC)