卫星联邦边缘学习：架构设计与收敛性分析
信号处理
2024-04-03 v1 分布式、并行与集群计算
信息论
机器学习
math.IT
摘要
低地球轨道（LEO）卫星网络的激增导致大量遥感数据的产生，这些数据传统上被传输到地面服务器进行集中处理，引发了隐私和带宽问题。联邦边缘学习（FEEL）作为一种分布式机器学习方法，通过仅共享模型参数而非原始数据，有潜力解决这些挑战。尽管前景广阔，但LEO网络的动态特性，以卫星的高移动性和短暂的地对卫星链路（GSL）持续时间为特征，给FEEL带来了独特的挑战。特别是，卫星与地面之间的频繁模型传输会导致长时间的等待和较大的传输延迟。本文介绍了一种新颖的FEEL算法，名为FEDMEGA，专为LEO巨型星座网络定制。通过集成星间链路（ISL）进行轨道内模型聚合，所提出的算法显著减少了对低数据速率和间歇性GSL的使用。我们的方法包括一个基于环全归约的轨道内聚合机制，以及一个基于网络流的全局模型聚合传输方案，从而提高了传输效率。提供了理论收敛性分析来表征算法性能。大量仿真表明，我们的FEDMEGA算法优于现有的卫星FEEL算法，收敛速度提高了约30%。
引用
@article{arxiv.2404.01875,
title = {Satellite Federated Edge Learning: Architecture Design and Convergence Analysis},
author = {Yuanming Shi and Li Zeng and Jingyang Zhu and Yong Zhou and Chunxiao Jiang and Khaled B. Letaief},
journal= {arXiv preprint arXiv:2404.01875},
year = {2024}
}
备注
16 pages, 15 figures