論文の概要: FedSpace: An Efficient Federated Learning Framework at Satellites and Ground Stations

• arxiv url: http://arxiv.org/abs/2202.01267v1
• Date: Wed, 2 Feb 2022 20:09:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-04 13:48:11.910673
• Title: FedSpace: An Efficient Federated Learning Framework at Satellites and Ground Stations
• Title（参考訳）: FedSpace: 衛星や地上ステーションでの効果的なフェデレーション学習フレームワーク
• Authors: Jinhyun So, Kevin Hsieh, Behnaz Arzani, Shadi Noghabi, Salman Avestimehr, Ranveer Chandra
• Abstract要約: 低軌道(LEO)衛星の大規模な展開は、大量の地球画像やセンサーデータを収集する。 ダウンリンク帯域の制限、疎結合性、画像解像度の正規化制約のため、高解像度画像をダウンロードし、これらの機械学習モデルを地上で訓練することは不可能であることが多い。 本稿では,地上局と衛星が収集した画像を衛星上で共有することなく,グローバルMLモデルを協調訓練するフェデレートラーニング(FL)を提案する。
• 参考スコア（独自算出の注目度）: 10.250105527148731
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale deployments of low Earth orbit (LEO) satellites collect massive amount of Earth imageries and sensor data, which can empower machine learning (ML) to address global challenges such as real-time disaster navigation and mitigation. However, it is often infeasible to download all the high-resolution images and train these ML models on the ground because of limited downlink bandwidth, sparse connectivity, and regularization constraints on the imagery resolution. To address these challenges, we leverage Federated Learning (FL), where ground stations and satellites collaboratively train a global ML model without sharing the captured images on the satellites. We show fundamental challenges in applying existing FL algorithms among satellites and ground stations, and we formulate an optimization problem which captures a unique trade-off between staleness and idleness. We propose a novel FL framework, named FedSpace, which dynamically schedules model aggregation based on the deterministic and time-varying connectivity according to satellite orbits. Extensive numerical evaluations based on real-world satellite images and satellite networks show that FedSpace reduces the training time by 1.7 days (38.6%) over the state-of-the-art FL algorithms.
• Abstract（参考訳）: 低地球軌道(LEO)衛星の大規模展開は、大量の地球画像やセンサーデータを収集し、機械学習(ML)にリアルタイム災害ナビゲーションや緩和といったグローバルな課題に対処することができる。 しかし、ダウンリンク帯域の制限、疎結合性、画像解像度の正規化制約により、高解像度画像をダウンロードし、これらのMLモデルを地上で訓練することは不可能であることが多い。 これらの課題に対処するために,地上局と衛星が収集した画像を衛星上で共有することなく,グローバルMLモデルを協調訓練するフェデレートラーニング(FL)を利用する。 衛星と地上局間で既存のFLアルゴリズムを適用する際の根本的な課題を示し、安定度とアイドルネスの唯一のトレードオフを捉える最適化問題を定式化する。 本稿では,衛星軌道による決定的および時間的接続性に基づいて,モデル集約を動的にスケジュールする新しいFLフレームワークFedSpaceを提案する。 実世界の衛星画像と衛星ネットワークに基づく大規模な数値評価は、FedSpaceが最先端のFLアルゴリズムよりもトレーニング時間を1.7日(38.6%)短縮していることを示している。

関連論文リスト

• A Distance Similarity-based Genetic Optimization Algorithm for Satellite Ground Network Planning Considering Feeding Mode [53.71516191515285]
  衛星データ中継ミッションの送信効率の低さは、現在システムの構築を制約している問題となっている。 本研究では,タスク間の状態特性を考慮した距離類似性に基づく遺伝的最適化アルゴリズム(DSGA)を提案し,タスク間の類似性を決定するための重み付きユークリッド距離法を提案する。
  論文  参考訳（メタデータ） (2024-08-29T06:57:45Z)
• Locally Estimated Global Perturbations are Better than Local Perturbations for Federated Sharpness-aware Minimization [81.32266996009575]
  フェデレートラーニング(FL)では、クライアント間の複数ステップの更新とデータの均一性が、よりシャープなミニマによるロスランドスケープにつながることが多い。 クライアント側におけるグローバルな摂動方向を局所的に推定する新しいアルゴリズムであるFedLESAMを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:46:21Z)
• 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)
• Stitching Satellites to the Edge: Pervasive and Efficient Federated LEO Satellite Learning [1.3121410433987561]
  本稿では,衛星が大規模機械学習(ML)タスクを効率的に実行できるようにする新しいFL-SECフレームワークを提案する。 主な構成要素は、余分な衛星画像を特定して排除するディビジョン・アンド・コンカーによるパーソナライズドラーニングと、軌道毎に集約された「軌道モデル」を生成し、地上局に送る前に再訓練する軌道モデル再訓練である。 我々のアプローチではFL収束時間が30倍近く減少し、衛星のエネルギー消費は1.38ワットまで減少し、例外的な精度は96%まで維持される。
  論文  参考訳（メタデータ） (2024-01-28T02:01:26Z)
• FedSN: A Federated Learning Framework over Heterogeneous LEO Satellite Networks [18.213174641216884]
  多数の低軌道軌道(LEO)衛星が打ち上げられ、SpaceXなどの商業企業によって宇宙に投入された。 LEO衛星が搭載するマルチモーダルセンサにより、通信だけでなく、空間変調認識やリモートセンシング画像分類など、さまざまな機械学習アプリケーションにも機能する。 本稿では,これらの課題に対処するための一般FLフレームワークとしてFedSNを提案し,LEO衛星上でのデータ多様性について検討する。
  論文  参考訳（メタデータ） (2023-11-02T14:47:06Z)
• One-Shot Federated Learning for LEO Constellations that Reduces Convergence Time from Days to 90 Minutes [3.096615629099617]
  低軌道 (LEO) の衛星コンステレーションは、多数の小さな衛星が宇宙を旅し、移動度が高い。 フェデレートラーニング(FL)は、生データを送信する必要がなくなり、帯域幅とプライバシに親しみやすいため、有望なアプローチである。 我々はLEOShotと呼ばれるLEO衛星に対して,学習過程全体を完了させるためには,単一の通信ラウンドしか必要としない新しい一発FLアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-21T01:57:56Z)
• Optimizing Federated Learning in LEO Satellite Constellations via Intra-Plane Model Propagation and Sink Satellite Scheduling [3.096615629099617]
  衛星エッジコンピューティング(SEC)は、各衛星がMLモデルをオンボードで訓練し、モデルのみを地上局にアップロードすることを可能にする。 本稿では、既存のFLベースのソリューションの制限(緩やかな収束)を克服する新しいFLフレームワークであるFedLEOを提案する。 以上の結果から,FedLEO は FL の収束を著しく促進するが,実際にモデル精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-02-27T00:32:01Z)
• 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)
• Deep Learning Aided Routing for Space-Air-Ground Integrated Networks Relying on Real Satellite, Flight, and Shipping Data [79.96177511319713]
  現在の海上通信は主に単なる送信資源を持つ衛星に依存しており、現代の地上無線ネットワークよりも性能が劣っている。 大陸横断航空輸送の増加に伴い、商業旅客機に依存した航空アドホックネットワークという有望な概念は、空対地およびマルチホップ空対空リンクを介して衛星ベースの海上通信を強化する可能性がある。 低軌道衛星コンステレーション、旅客機、地上基地局、船舶がそれぞれ宇宙、航空、船舶として機能する、ユビキタスな海上通信を支援するための宇宙地上統合ネットワーク(SAGIN)を提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:12:10Z)
• Integrating LEO Satellite and UAV Relaying via Reinforcement Learning for Non-Terrestrial Networks [51.05735925326235]
  低軌道軌道(LEO)衛星のメガコンステレーションは、低レイテンシで長距離通信を可能にする可能性がある。 軌道上の星座から選択されたLEO衛星を用いて、2つの遠距離地上端末間でパケットを転送する問題について検討する。 エンドツーエンドのデータレートを最大化するためには、衛星アソシエーションとHAPロケーションを最適化する必要がある。 本稿では, 深部強化学習(DRL)と新しい動作次元低減技術を用いてこの問題に対処する。
  論文  参考訳（メタデータ） (2020-05-26T05:39:27Z)
• HighRes-net: Recursive Fusion for Multi-Frame Super-Resolution of Satellite Imagery [55.253395881190436]
  MFSR(Multi-frame Super-Resolution)は、問題に対するより根底的なアプローチを提供する。 これは、地球上の人間の影響を衛星で観測する上で重要である。 我々は,MFSRにおける最初のディープラーニングアプローチであるHighRes-netを紹介し,そのサブタスクをエンドツーエンドで学習する。
  論文  参考訳（メタデータ） (2020-02-15T22:17:47Z)

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。