面向 LEO 卫星网络的半监督分段学习框架——LEO-Split
机器学习
2025-01-03 v1 人工智能
分布式、并行与集群计算
网络与互联网体系结构
摘要
最近，LEO 卫星系统的日益增长部署使各种空间分析（如作物和气候监测）成为可能，这些分析深深依赖于深度学习（DL）的突破。然而，LEO 卫星与地面站（GS）之间的间歇性连接显著阻碍了将原始数据及时传输至 GS 以进行集中式学习，同时规模化的 DL 模型又会制约资源受限的 LEO 卫星上的分布式学习。尽管分段学习（SL）可作为潜在解决方案，通过划分模型并将主要训练工作卸载至 GS 来缓解这些问题，但标记过程仍是瓶颈，间歇性连接和数据异构性亦为其他挑战。本文提出 LEO-Split，一种针对卫星网络的半监督（SS） SL 设计，以应对这些挑战。利用 SS 学习处理（标记）数据稀缺问题，我们构建辅助模型以处理卫星-GS 非接触时间的训练失败。此外，我们提出伪标签算法以纠正卫星之间的数据不平衡。最后，设计了自适应激活插值方案，以防止 GS 端子模型训练的过拟合。广泛的使用真实世界 LEO 卫星轨迹（如 Starlink）的实验表明，我们的 LEO-Split 框架在性能上优于最先进的基准。
引用
@article{arxiv.2501.01293,
title = {LEO-Split: A Semi-Supervised Split Learning Framework over LEO Satellite Networks},
author = {Zheng Lin and Yuxin Zhang and Zhe Chen and Zihan Fang and Cong Wu and Xianhao Chen and Yue Gao and Jun Luo},
journal= {arXiv preprint arXiv:2501.01293},
year = {2025}
}
备注
13 pages, 15 figures