面向亚太赫兹异构LEO通信的基于代理模型的拓扑感知两阶段联邦学习
信号处理
2026-05-07 v1
摘要
联邦学习（FL）通过显著降低通信开销，已成为低轨（LEO）网络中极具前景的分布式训练范式。然而，其部署面临关键挑战，例如拓扑诱导的模型陈旧性、短暂的接触窗口以及未解决的算力异构性。为解决这些问题，本文提出了一种拓扑感知的两阶段FL框架。首先，设计了一种利用高空平台（HAPs）和亚太赫兹通信的多层物理架构，以延长星地接触窗口并扩大可用带宽。其次，采用基于代理模型的方法以充分利用异构资源，并实现与架构无关的知识聚合。最后，在此基础上，提出了一种拓扑感知的两阶段聚合机制作为核心算法设计，以克服拓扑诱导的陈旧性。该机制根据LEO卫星瞬时的HAP覆盖范围，动态地将其划分为局部群组。在每个群组内，LEO卫星在所关联的HAP处执行异步聚合，从而在不惩罚较快节点的情况下自然容忍计算延迟。随后，在地面站（GS）的所有HAP之间执行同步群组间聚合，以严格限制最大陈旧性并保证稳定的全局收敛。数值结果表明，所提出的框架延长了接触窗口，并实现了86.59%--90.57%的测试准确率，比最先进的异构基线高出16.26%--19.80%。此外，它实现了1.5倍至2.2倍的收敛加速，接近理想上界。
引用
@article{arxiv.2605.04512,
title = {Topology-Aware Two-Stage Federated Learning via Proxy Models for Sub-THz Heterogeneous LEO Communications},
author = {Jinhao Yi and Weijun Gao and Chong Han and Ozgur Gurbuz and Josep M. Jornet},
journal= {arXiv preprint arXiv:2605.04512},
year = {2026}
}