空间中的提升空间：导航卫星星座中联邦学习设计空间
机器学习
2024-11-04 v1
摘要
空间已成为机器学习的迫切新应用领域，多个任务已在航天器上装配深度学习能力。通过航天器上的预处理数据进行训练是必要的，以解决卫星下行链路不足的问题，因为无法获得足够的传输机会来匹配高数据生成率。在整个星座中规模化这一努力，已通过联邦学习（FL）在轨协同训练实现。尽管当前对该领域FL的探索在针对特定场景约束条件下成功地调整了FL算法，但这些理论FL实现面临若干限制，阻碍了向实际部署迈进。为弥合这一差距，我们在多个前沿对FL在空间领域进行全面探索。1）我们发展了一种现有FL算法的空间化方法，并在2）我们的 novel 卫星星座设计和硬件感知测试平台FLySTacK上进行评估。最后我们引入3）AutoFLSat，这是一种通用、层次化、自主的面向空间的FL算法，比领先替代方案在模型训练时间上提供了12.5%至37.5%的减少。
引用
@article{arxiv.2411.00263,
title = {Space for Improvement: Navigating the Design Space for Federated Learning in Satellite Constellations},
author = {Grace Kim and Luca Powell and Filip Svoboda and Nicholas Lane},
journal= {arXiv preprint arXiv:2411.00263},
year = {2024}
}