SatFed：面向资源高效 LEO 卫星辅助异构性联邦学习框架
分布式、并行与集群计算
2024-11-22 v3 人工智能
机器学习
摘要
传统联邦学习框架依赖陆基网络，覆盖限制和日益加剧的带宽拥堵显著阻碍模型收敛。然而，低轨道（LEO）卫星网络的发展为补充传统陆基联邦学习提供了具有前景的新型通信途径。尽管存在这种潜力，但受限于卫星-地面通信带宽以及地面设备异构运行环境（包括数据、带宽和计算能力的差异），仍面临有效且稳健的卫星辅助联邦学习的重大挑战。为此，我们提出SatFed，一个资源高效卫星辅助异构性联邦学习框架。SatFed 实施新鲜度优先级队列，以优化高度受限的卫星-地面带宽的使用，确保传输最关键的模型。此外，构建多图以捕获设备之间实时的异构关系，包括数据分布、陆地带宽和计算能力。该多图使SatFed能够将卫星传输的模型聚合为对等引导，从而增强在异构环境中的本地训练。通过与真实世界 LEO 卫星网络的大量实验，证明SatFed在性能和鲁棒性方面优于当前最先进的基准方法。
引用
@article{arxiv.2409.13503,
title = {SatFed: A Resource-Efficient LEO Satellite-Assisted Heterogeneous Federated Learning Framework},
author = {Yuxin Zhang and Zheng Lin and Zhe Chen and Zihan Fang and Wenjun Zhu and Xianhao Chen and Jin Zhao and Yue Gao},
journal= {arXiv preprint arXiv:2409.13503},
year = {2024}
}
备注
10 pages, 12 figures