卫星集群上的板载联邦学习调度
分布式、并行与集群计算
2024-02-15 v1 机器学习
摘要
小型卫星星座已发展为大量有价值数据的来源。为了高效管理这些数据，板载联邦学习 (FL) 使卫星能够在不共享原始数据的情况下协同训练机器学习 (ML) 模型。本文引入了一个用于调度与卫星间链路相连的星座板载 FL 的方案。该方案利用卫星与地面站 (GS) 之间可预测的可见性模式（在单个卫星层面以及整个轨道累计层面），来缓解间歇性连接并充分利用可用时间。为此，采用两种不同的调度器：一种用于协调不同轨道之间的 FL 流程，另一种用于控制单个轨道内的各卫星。这两种调度器协同确定在 GS 上进行全局更新的合适时间，然后按比例分配每个轨道内卫星用于本地训练的合适时长，比例基于直到下一次全局更新的可用时间。该方案在缩短时间内提高了测试准确率。
引用
@article{arxiv.2402.09105,
title = {Scheduling for On-Board Federated Learning with Satellite Clusters},
author = {Nasrin Razmi and Bho Matthiesen and Armin Dekorsy and Petar Popovski},
journal= {arXiv preprint arXiv:2402.09105},
year = {2024}
}
备注
2023 IEEE GLOBECOM