动态卫星网络上联邦学习的优化路由：是否易处理？
机器学习
2026-04-22 v1 分布式、并行与集群计算
摘要
联邦学习（Federated Learning, FL）是在去中心化数据源上进行分布式模型学习的关键范式。每个 FL 轮次的通信通常包含两个阶段： 将全局模型从服务器分发至客户端，以及 收集客户端更新后的本地模型至服务器进行聚合。本文关注一种客户端与服务器之间的通信通过动态网络中继进行的 FL，这使得路由优化至关重要。典型场景是星载 FL，其中卫星作为客户端，通过多跳星间链路与服务器（可以是卫星、地面站或空中平台）通信。本文对星载 FL 在不同设置下的路由优化进行了全面的易处理性分析。对于全局模型分发，这些设置包括模型数量、目标函数和路由方案（单播与多播，可拆分与不可拆分流）。对于本地模型收集，设置考虑了模型数量、客户端选择和流可拆分性。针对每种情况，我们严格证明了全局最优解是否可在多项式时间内获得，或该问题是否为 NP-hard。综合而言，我们的分析为星载 FL 的广泛路由问题划定了易处理与难处理之间的清晰边界。对于易处理的情况，推导出的高效算法可直接应用于实践。对于难处理的情况，我们提供了关于其固有复杂性的基本见解。这些贡献填补了一个关键但尚未探索的研究空白，为基于卫星的 FL 或类似分布式学习系统中有原则的路由设计、评估和部署奠定了基础。
引用
@article{arxiv.2604.19399,
title = {Optimal Routing for Federated Learning over Dynamic Satellite Networks: Tractable or Not?},
author = {Yi Zhao and Di Yuan and Tao Deng and Suzhi Cao and Ying Dong},
journal= {arXiv preprint arXiv:2604.19399},
year = {2026}
}