Fugu-MT 論文翻訳(概要): Federated Learning in Satellite Constellations

論文の概要: Federated Learning in Satellite Constellations

arxiv url: http://arxiv.org/abs/2206.00307v1
Date: Wed, 1 Jun 2022 08:17:25 GMT
ステータス: 処理完了
システム内更新日: 2022-06-02 13:34:18.341554
Title: Federated Learning in Satellite Constellations
Title（参考訳）: 衛星コンステレーションにおけるフェデレーション学習
Authors: Bho Matthiesen, Nasrin Razmi, Israel Leyva-Mayorga, Armin Dekorsy, Petar Popovski
Abstract要約: フェデレートラーニング(FL)は、断続的に接続されたモバイルクライアントが共通の学習モデルのトレーニングに寄与するDMLの顕著な例である。本稿では,衛星コンステレーションがFLにもたらす新たなコンテキストについて述べる。 FLに関連する様々な種類の衛星接続の分類法を提供し、分散トレーニングプロセスがクライアントの長時間のオフライン時間による緩やかな収束を克服できるかを示す。
参考スコア（独自算出の注目度）: 38.58782102290874
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Distributed machine learning (DML) results from the synergy between machine learning and connectivity. Federated learning (FL) is a prominent instance of DML in which intermittently connected mobile clients contribute to the training of a common learning model. This paper presents the new context brought to FL by satellite constellations where the connectivity patterns are significantly different from the ones assumed in terrestrial FL. We provide a taxonomy of different types of satellite connectivity relevant for FL and show how the distributed training process can overcome the slow convergence due to long offline times of clients by taking advantage of the predictable intermittency of the satellite communication links.
Abstract（参考訳）: 分散機械学習(DML)は、機械学習と接続性の間のシナジーから生まれる。フェデレートラーニング(FL)は、断続的に接続されたモバイルクライアントが共通の学習モデルのトレーニングに寄与するDMLの顕著な例である。本稿では,衛星コンステレーションがFLにもたらす新たなコンテキストについて述べる。本研究では、FLに関連する様々な種類の衛星接続の分類法を提案し、衛星通信リンクの予測的断続性を利用して、クライアントの長時間のオフライン時間による遅延収束を分散トレーニングプロセスが克服できることを示す。

関連論文リスト

Space for Improvement: Navigating the Design Space for Federated Learning in Satellite Constellations [0.8437187555622164]
衛星コンステレーションの設計とハードウェア対応テストプラットフォームであるFLySTacKを用いて,既存のFLアルゴリズムの空間化手法を開発した。我々はAutoFLSatを紹介した。これは空間に対する一般化された階層的な自律的FLアルゴリズムであり、主要な代替手段よりも12.5%から37.5%のモデルトレーニング時間を短縮する。
論文参考訳（メタデータ） (2024-10-31T23:49:36Z)
Heterogeneity: An Open Challenge for Federated On-board Machine Learning [2.519319150166215]
本稿では,フェデレーテッド・ラーニングにおけるクロスプロデューサ・ユース・ケースの文脈における課題の体系的レビューを行う。このようなアプリケーションは、そのようなシステムの異質性から主に生じるフェデレートラーニングパラダイムに、さらなる課題を提示します。
論文参考訳（メタデータ） (2024-08-13T13:56:17Z)
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)
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)
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)
A CubeSat platform for space based quantum key distribution [62.997667081978825]
我々は3UキューブサットであるSpooQy-1のフォローアップミッションについて報告し、軌道上で偏光に絡み合った光子の発生を実証した。ミッションの次のイテレーションでは、偏光に絡み合った光子対のコンパクトなソースに基づいて、衛星と地上の量子鍵の分布を示す。我々は,現在シンガポールで建設中の光地上局の設計について,量子信号を受信するための設計を簡潔に述べる。
論文参考訳（メタデータ） (2022-04-23T06:28:43Z)
FedSpace: An Efficient Federated Learning Framework at Satellites and Ground Stations [10.250105527148731]
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。
論文参考訳（メタデータ） (2022-02-02T20:09:27Z)
Learning Emergent Random Access Protocol for LEO Satellite Networks [51.575090080749554]
創発的ランダムアクセスチャネルプロトコル(eRACH)と呼ばれるLEO SATネットワークのための新しい許可なしランダムアクセスソリューションを提案する。 eRACHは、非定常ネットワーク環境との相互作用によって生じるモデルフリーなアプローチである。 RACHと比較して,提案するeRACHは平均ネットワークスループットが54.6%向上することを示す。
論文参考訳（メタデータ） (2021-12-03T07:44:45Z)
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)

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。