将卫星缝合至边缘：普适且高效的联邦低轨卫星学习
分布式、并行与集群计算
2024-04-09 v2 机器学习
摘要
在充满雄心的太空人工智能领域，联邦学习（FL）与低地球轨道（LEO）卫星星座的整合具有巨大前景。然而，在可行性、学习效率和收敛性方面仍存在许多挑战。这些障碍源于通信瓶颈，其特征是 LEO 卫星与地面站之间零星且不规则的连接，加上卫星边缘计算（SEC）有限的能力。本文提出了一种新颖的 FL-SEC 框架，使 LEO 卫星能够高效地在星上执行大规模机器学习（ML）任务。其关键组件包括：i）通过分治法进行个性化学习，识别并消除冗余的卫星图像，将复杂的多类分类问题转化为简单的二分类，从而实现适用于卫星上物联网/边缘设备的轻量级 ML 模型的快速且节能的训练；ii）轨道模型重训练，每次轨道生成一个聚合的“轨道模型”并在发送至地面站之前对其进行重训练，显著减少了所需的通信轮次。我们使用 Jetson Nano（一种紧密模拟 LEO 卫星上有限计算能力的边缘设备）和真实的卫星数据集进行了实验。结果突显了我们方法的有效性，表明了 SEC 在真实和高分辨率卫星图像上运行轻量级 ML 模型的能力。我们的方法将 FL 收敛时间大幅减少了近 30 倍，并将卫星能耗降至最低 1.38 瓦，同时保持高达 96% 的卓越准确率。
引用
@article{arxiv.2401.15541,
title = {Stitching Satellites to the Edge: Pervasive and Efficient Federated LEO Satellite Learning},
author = {Mohamed Elmahallawy and Tie Luo},
journal= {arXiv preprint arXiv:2401.15541},
year = {2024}
}