面向卫星非 IID 遥感影像：基于谱聚类的联邦学习方法
网络与互联网体系结构
2024-10-21 v2 机器学习
摘要
低轨道 (LEO) 卫星能够收集丰富的地球观测数据 (EOD) 以支持不同的物联网 (IoT) 应用。然而，要实现有效的 EOD 处理机制，必须研究：1) 在不将大规模数据传输至地面站的情况下处理观测数据，因为卫星与地面站之间的连接是间歇性的；2) 处理非独立同分布 (non-IID) 卫星数据的挑战。本文提出一种面向 LEO 卫星星座每个轨道的轨道基谱聚类辅助的聚类式联邦自知识蒸馏 (OSC-FSKD) 方法，该方法保留了 FL 优势，即无需将观测数据发送至地面。具体而言，我们引入基于正规化拉普拉斯的谱聚类 (NLSC) 进入联邦学习 (FL) 以在每个轮次中创建聚类式 FL，以解决 non-IID 数据导致的挑战。特别地，NLSC 用于基于模型更新计算的余弦相似性动态将客户端分组到几个聚类中。此外，利用自知识蒸馈构建每个本地客户端，其中使用最新更新的本地模型指导当前本地模型训练。实验表明，使用 SAT4 数据集时，所提方法的观察准确率分别比 pFedSD、FedProx、FedAU 和 FedALA 方法高出 1.01 倍、2.15 倍、1.10 倍和 1.03 倍。该方法在使用其他数据集时也表现出优势。
引用
@article{arxiv.2410.13602,
title = {Towards Satellite Non-IID Imagery: A Spectral Clustering-Assisted Federated Learning Approach},
author = {Luyao Zou and Yu Min Park and Chu Myaet Thwal and Yan Kyaw Tun and Zhu Han and Choong Seon Hong},
journal= {arXiv preprint arXiv:2410.13602},
year = {2024}
}
备注
10 pages, 5 figures