FedSN：一种面向异构低地球轨道卫星网络的联邦学习框架
机器学习
2024-10-21 v5 人工智能
分布式、并行与集群计算
摘要
近年来，SpaceX 等商业公司成功发射并部署了大量低地球轨道（LEO）卫星。由于 LEO 卫星配备了多模态传感器，它们不仅用于通信，还服务于空间调制识别、遥感图像分类等多种机器学习应用。然而，由于与地面站（GS）的接触时间有限（例如 5 分钟），GS 可能无法下载如此大量的原始传感数据进行集中式模型训练。因此，联邦学习（FL）作为一种通过设备端训练解决该问题的有前景的方案应运而生。遗憾的是，要在 LEO 卫星上实现 FL，我们仍面临三个关键挑战：i) 异构的计算与内存能力，ii) 有限的上行速率，以及 iii) 模型陈旧性。为此，我们提出 FedSN 作为一种通用 FL 框架来应对上述挑战，并充分挖掘 LEO 卫星上的数据多样性。具体而言，我们首先提出一种新颖的子结构方案，以在考虑 LEO 卫星上不同计算、内存与通信约束的情况下实现异构本地模型训练。此外，我们提出一种伪同步模型聚合策略，动态调度模型聚合以补偿模型陈旧性。为进一步证明 FedSN 的有效性，我们利用真实卫星网络的数据，通过空间调制识别与遥感图像分类任务对其进行了评估。大量实验结果表明，FedSN 框架相比最先进的基准方法取得了更高的精度、更低的计算与通信开销，且 FedSN 各组成部分均有效。
引用
@article{arxiv.2311.01483,
title = {FedSN: A Federated Learning Framework over Heterogeneous LEO Satellite Networks},
author = {Zheng Lin and Zhe Chen and Zihan Fang and Xianhao Chen and Xiong Wang and Yue Gao},
journal= {arXiv preprint arXiv:2311.01483},
year = {2024}
}
备注
15 pages, 17 figures