卫星星座中的联邦学习
信息论
2024-09-24 v3 机器学习
网络与互联网体系结构
math.IT
摘要
联邦学习（FL）近来作为一种适用于连接受限且间歇的系统的分布式机器学习范式而出现。本文呈现了卫星星座为 FL 带来的新场景，其中连接模式与常规地面 FL 中所观察到的显著不同。重点在于低地球轨道（LEO）中的大型星座，其中每颗卫星利用本地存储的数据集参与数据驱动的 FL 任务。该场景由 LEO 中互联小卫星巨型星座的趋势以及卫星中人工智能的集成所驱动。我们基于卫星的通信能力、星座设计以及参数服务器位置提出卫星 FL 的分类。提供了该领域当前最前沿技术的全面概述，并讨论了卫星 FL 的独特挑战与机遇。最后，我们概述了卫星星座中 FL 的几个开放研究方向并给出相关未来展望。
引用
@article{arxiv.2206.00307,
title = {Federated Learning in Satellite Constellations},
author = {Bho Matthiesen and Nasrin Razmi and Israel Leyva-Mayorga and Armin Dekorsy and Petar Popovski},
journal= {arXiv preprint arXiv:2206.00307},
year = {2024}
}
备注
Copyright 2023 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works