FedMeld：面向空间-地面集成网络的模型分散式联邦学习框架
机器学习
2025-12-24 v3 信息论
网络与互联网体系结构
math.IT
摘要
为弥合数字鸿沟，空间-地面集成网络(SGINs)预期为世界每个角落提供人工智能(AI)服务。SGINs的关键任务是支持规模化的联邦学习(FL)。然而，现有的SGINs联邦学习框架涉及地面站或高成本的星际链路，导致训练延迟和通信成本过高。为克服这些限制，我们提出一种基于模型分散(FedMeld)策略的基础设施无联邦学习框架，利用卫星的周期性运动模式和存储-携带-传递能力，实现跨大规模地理区域的参数混合。我们理论证明FedMeld实现全局模型收敛，并量化了轮间隔和相邻区域混合比例对学习性能的影响。基于理论结果，我们构建了联合优化问题以设计最小化训练损失的staleness控制和混合比例(SC-MR)。通过在不损失最优性的前提下将问题分解为顺序SC和MR子问题，我们以闭式形式求得轮间隔解，以准闭式形式求得混合比例，以实现最优的延迟-精度权衡。使用各种数据集进行的实验表明，与SGINs的传统FL方案相比，FedMeld在实现优异模型精度的同时显著降低了通信成本。
引用
@article{arxiv.2412.17231,
title = {FedMeld: A Model-dispersal Federated Learning Framework for Space-ground Integrated Networks},
author = {Qian Chen and Xianhao Chen and Kaibin Huang},
journal= {arXiv preprint arXiv:2412.17231},
year = {2025}
}
备注
17 pages, 10 figures. This paper has been accepted by IEEE Transactions on Mobile Computing