橄榄枝学习：一种面向空天地一体化网络的拓扑感知联邦学习框架
网络与互联网体系结构
2022-12-05 v1 人工智能
分布式、并行与集群计算
社会与信息网络
摘要
空天地一体化网络（SAGIN）作为下一代移动通信系统的关键技术之一，能够促进全球用户的数据传输，尤其在偏远地区，远程物联网（IoRT）设备在此收集海量信息数据以支撑各类数据驱动的人工智能（AI）服务。然而，借助 SAGIN 集中训练 AI 模型面临网络拓扑高度受限、数据传输低效及隐私问题等挑战。为应对这些挑战，我们首先提出一种新颖的面向 SAGIN 的拓扑感知联邦学习框架，即橄榄枝学习（OBL）。具体而言，地面层的 IoRT 设备利用私有数据在本地执行模型训练，而空层中的空中节点与空间层中环结构的近地轨道（LEO）卫星星座负责不同尺度的模型聚合（同步）。为进一步提升 OBL 的通信效率与推理性能，通过考虑空中节点的数据类别分布及其地理位置，设计了一种高效的通信与非独立同分布感知的空中节点-卫星分配（CNASA）算法。此外，我们将 OBL 框架与 CNASA 算法扩展以适应更复杂的多轨道卫星网络。我们分析了 OBL 框架的收敛性，并得出 CNASA 算法有助于全局模型快速收敛的结论。基于真实数据集的广泛实验证实了我们的算法相对于基准策略的优越性能。
引用
@article{arxiv.2212.01215,
title = {Olive Branch Learning: A Topology-Aware Federated Learning Framework for Space-Air-Ground Integrated Network},
author = {Qingze Fang and Zhiwei Zhai and Shuai Yu and Qiong Wu and Xiaowen Gong and Xu Chen},
journal= {arXiv preprint arXiv:2212.01215},
year = {2022}
}
备注
accepted by IEEE Transactions on Wireless Communications, Dec. 2022