FedHC：面向卫星网络的层次化聚类联邦学习框架
分布式、并行与集群计算
2026-05-05 v1
摘要
随着数据驱动服务的普及，卫星网络需要处理的数据量显著增加。联邦学习（FL）适用于分布式、资源受限的卫星环境中的大数据处理。然而，在确保收敛性能的同时最小化处理时间和能源消耗仍是一个挑战。为此，我们提出了一种层次化聚类联邦学习框架 FedHC。该框架在聚类汇聚阶段采用卫星-聚类参数服务器（PS）选择算法，将相邻卫星分组为 distinct 聚类，并将聚类中心 designated 为 PS 以加速模型汇聚。随后通过地面站选择若干可通信的聚类 PS 卫星以汇聚全局参数，促进 FL 过程。此外，引入一种基于元学习的卫星重聚类算法以增强对动态卫星聚类变更的适应性。实验在卫星网络测试平台上表明，FedHC 在保持模型准确性的同时，可将处理时间降低最高可达3倍，能源消耗降低最高可达2倍。
引用
@article{arxiv.2502.12783,
title = {FedHC: A Hierarchical Clustered Federated Learning Framework for Satellite Networks},
author = {Zhuocheng Liu and Zhishu Shen and Pan Zhou and Qiushi Zheng and Jiong Jin},
journal= {arXiv preprint arXiv:2502.12783},
year = {2026}
}