論文の概要: Ground-Assisted Federated Learning in LEO Satellite Constellations
- arxiv url: http://arxiv.org/abs/2109.01348v1
- Date: Fri, 3 Sep 2021 07:17:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-06 13:49:19.671479
- Title: Ground-Assisted Federated Learning in LEO Satellite Constellations
- Title（参考訳）: LEO衛星コンステレーションにおける地上支援フェデレーション学習
- Authors: Nasrin Razmi and Bho Matthiesen and Armin Dekorsy and Petar Popovski
- Abstract要約: フェデレートラーニング(FL)に基づく新しいアルゴリズムセットを提案する。
我々のアプローチは、星座に存在しない予測可能な接続パターンを考慮すると、標準のFLアルゴリズムとは大きく異なる。
特に、達成されたテスト精度は集中型解の96%から99.6%以内である。
- 参考スコア（独自算出の注目度）: 39.646300161201076
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In Low Earth Orbit (LEO) mega constellations, there are relevant use cases,
such as inference based on satellite imaging, in which a large number of
satellites collaboratively train a machine learning model without sharing their
local data sets. To address this problem, we propose a new set of algorithms
based of Federated learning (FL). Our approach differs substantially from the
standard FL algorithms, as it takes into account the predictable connectivity
patterns that are immanent to the LEO constellations. Extensive numerical
evaluations highlight the fast convergence speed and excellent asymptotic test
accuracy of the proposed method. In particular, the achieved test accuracy is
within 96% to 99.6% of the centralized solution and the proposed algorithm has
less hyperparameters to tune than state-of-the-art asynchronous FL methods.
- Abstract（参考訳）: 低軌道(leo)メガコンステレーションでは、衛星画像に基づく推論のような関連するユースケースがあり、多くの衛星がローカルデータセットを共有しずに機械学習モデルを協調的に訓練する。
この問題に対処するために,フェデレーション学習(fl)に基づく新しいアルゴリズムセットを提案する。
我々のアプローチは、leo星座に差し迫った予測可能な接続パターンを考慮に入れるため、標準flアルゴリズムとは実質的に異なる。
提案手法の高速収束速度と漸近性試験精度に優れる広範囲な数値評価を行った。
特に、得られたテスト精度は集中型解の96%から99.6%以内であり、提案アルゴリズムは最先端の非同期FL法よりもチューニングするハイパーパラメータが少ない。
関連論文リスト
- Towards Satellite Non-IID Imagery: A Spectral Clustering-Assisted Federated Learning Approach [29.593406320684448]
低軌道(LEO)衛星は、様々なモノのインターネット(IoT)アプリケーションを実現するために、豊富な地球観測データ(EOD)を集めることができる。
効率的なEDD処理機構を実現するためには,1) 衛星と地上局の接続が間欠的であるため,大規模なデータを地上に送信することなく観測データを処理すること,2) 非独立で同一の(非IID)衛星データを処理すること,の課題を検討する必要がある。
軌道を用いたスペクトルクラスタリングによるクラスタリング型自己知識蒸留(OSC-FSKD)を提案する。
論文 参考訳（メタデータ） (2024-10-17T14:36:58Z) - SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid Registration [76.40993825836222]
本研究では,SPAREを提案する。SPAREは,非剛性登録のための対称化点-平面間距離を用いた新しい定式化である。
提案手法は, 厳密でない登録問題の精度を大幅に向上し, 比較的高い解効率を維持する。
論文 参考訳（メタデータ） (2024-05-30T15:55:04Z) - Satellite Federated Edge Learning: Architecture Design and Convergence Analysis [47.057886812985984]
本稿では,FEDMEGAという新しいFEELアルゴリズムを提案する。
軌道内モデルアグリゲーションのための衛星間リンク(ISL)を統合することにより、提案アルゴリズムは低データレートと断続的なGSLの使用を著しく削減する。
提案手法は,環全リデューサに基づく軌道内アグリゲーション機構と,グローバルモデルアグリゲーションのためのネットワークフローベースのトランスミッションスキームを組み合わせたものである。
論文 参考訳（メタデータ） (2024-04-02T11:59:58Z) - Asymmetrically Decentralized Federated Learning [22.21977974314497]
分散フェデレーションラーニング(DFL)が出現し、ピアツーピア(P2P)通信フレームワークでサーバを破棄する。
本稿では,非対称トポロジに基づくPush-Awareプロトコルを用いたDFedSGPSMアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-08T09:46:26Z) - Federated Compositional Deep AUC Maximization [58.25078060952361]
本研究では,曲線(AUC)のスコアを直接最適化することにより,不均衡なデータに対する新しいフェデレート学習法を開発した。
私たちの知る限りでは、このような好ましい理論的な結果を達成した最初の作品である。
論文 参考訳（メタデータ） (2023-04-20T05:49:41Z) - Faster Adaptive Federated Learning [84.38913517122619]
フェデレートラーニングは分散データの出現に伴って注目を集めている。
本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
論文 参考訳（メタデータ） (2022-12-02T05:07:50Z) - On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。
本稿では,密集市街地における局所化問題について検討する。
まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
論文 参考訳（メタデータ） (2022-11-28T00:31:02Z) - Federated learning for LEO constellations via inter-HAP links [0.0]
ローアース・オービット(LEO)衛星星座は近年、急速に展開している。
このような応用に機械学習(ML)を適用するには、画像などの衛星データを地上局(GS)にダウンロードする従来の方法は望ましいものではない。
既存のFLソリューションは、過剰収束遅延や信頼できない無線チャネルといった大きな課題のために、そのようなLEOコンステレーションのシナリオには適さないことを示す。
論文 参考訳（メタデータ） (2022-05-15T08:22:52Z) - Straggler-Resilient Federated Learning: Leveraging the Interplay Between
Statistical Accuracy and System Heterogeneity [57.275753974812666]
フェデレーション学習は、データをローカルに保持しながら、クライアントのネットワークに分散したデータサンプルから学習する。
本稿では,学習手順を高速化するために,クライアントデータの統計的特徴を取り入れてクライアントを適応的に選択する,ストラグラー・レジリエントなフェデレーション学習手法を提案する。
論文 参考訳（メタデータ） (2020-12-28T19:21:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。