論文の概要: Olive Branch Learning: A Topology-Aware Federated Learning Framework for
Space-Air-Ground Integrated Network
- arxiv url: http://arxiv.org/abs/2212.01215v1
- Date: Fri, 2 Dec 2022 14:51:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 17:43:24.261640
- Title: Olive Branch Learning: A Topology-Aware Federated Learning Framework for
Space-Air-Ground Integrated Network
- Title(参考訳): Olive Branch Learning:宇宙空間統合ネットワークのためのトポロジ対応フェデレーションラーニングフレームワーク
- Authors: Qingze Fang and Zhiwei Zhai and Shuai Yu and Qiong Wu and Xiaowen Gong
and Xu Chen
- Abstract要約: SAGINの助けを借りてAIモデルをトレーニングすることは、高度に制約されたネットワークトポロジ、非効率なデータ転送、プライバシー問題といった課題に直面している。
まず,SAGINのための新しいトポロジ対応フェデレーション学習フレームワーク,すなわちOlive Branch Learning (OBL)を提案する。
我々はOBLフレームワークとCNASAアルゴリズムを拡張し、より複雑なマルチ軌道衛星ネットワークに適応する。
- 参考スコア(独自算出の注目度): 19.059950250921926
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The space-air-ground integrated network (SAGIN), one of the key technologies
for next-generation mobile communication systems, can facilitate data
transmission for users all over the world, especially in some remote areas
where vast amounts of informative data are collected by Internet of remote
things (IoRT) devices to support various data-driven artificial intelligence
(AI) services. However, training AI models centrally with the assistance of
SAGIN faces the challenges of highly constrained network topology, inefficient
data transmission, and privacy issues. To tackle these challenges, we first
propose a novel topology-aware federated learning framework for the SAGIN,
namely Olive Branch Learning (OBL). Specifically, the IoRT devices in the
ground layer leverage their private data to perform model training locally,
while the air nodes in the air layer and the ring-structured low earth orbit
(LEO) satellite constellation in the space layer are in charge of model
aggregation (synchronization) at different scales.To further enhance
communication efficiency and inference performance of OBL, an efficient
Communication and Non-IID-aware Air node-Satellite Assignment (CNASA) algorithm
is designed by taking the data class distribution of the air nodes as well as
their geographic locations into account. Furthermore, we extend our OBL
framework and CNASA algorithm to adapt to more complex multi-orbit satellite
networks. We analyze the convergence of our OBL framework and conclude that the
CNASA algorithm contributes to the fast convergence of the global model.
Extensive experiments based on realistic datasets corroborate the superior
performance of our algorithm over the benchmark policies.
- Abstract(参考訳): 次世代モバイル通信システムにおいて鍵となる技術であるSAGINは、特に、さまざまなデータ駆動人工知能(AI)サービスをサポートするために、リモートモノのインターネット(IoRT)デバイスによって大量の情報データが収集される遠隔地において、世界中のユーザのためのデータ伝送を容易にする。
しかし、SAGINの助けを借りてAIモデルをトレーニングすることは、高度に制約されたネットワークトポロジ、非効率なデータ転送、プライバシー問題といった課題に直面している。
これらの課題に対処するために,我々はまず,SAGINのための新しいトポロジ対応フェデレーション学習フレームワーク,すなわちOlive Branch Learning (OBL)を提案する。
Specifically, the IoRT devices in the ground layer leverage their private data to perform model training locally, while the air nodes in the air layer and the ring-structured low earth orbit (LEO) satellite constellation in the space layer are in charge of model aggregation (synchronization) at different scales.To further enhance communication efficiency and inference performance of OBL, an efficient Communication and Non-IID-aware Air node-Satellite Assignment (CNASA) algorithm is designed by taking the data class distribution of the air nodes as well as their geographic locations into account.
さらに、OBLフレームワークとCNASAアルゴリズムを拡張し、より複雑なマルチ軌道衛星ネットワークに適応する。
我々はOBLフレームワークの収束を分析し、CNASAアルゴリズムがグローバルモデルの高速収束に寄与していると結論付けた。
現実的なデータセットに基づく大規模な実験は、ベンチマークポリシーよりもアルゴリズムの優れた性能を裏付ける。
関連論文リスト
- Cooperative Federated Learning over Ground-to-Satellite Integrated
Networks: Joint Local Computation and Data Offloading [33.44828515877944]
本稿では,遠隔地における機械学習サービス管理を容易にするために,地域間協調学習(FL)手法を提案する。
本手法は、FL中に以下の重要な機能を提供するために衛星星座を編成する。
本手法は地上のみの衛星ベースラインアプローチと比べ,FLの収束を著しく早めることができることを示す。
論文 参考訳(メタデータ) (2023-12-23T22:09:31Z) - FedSN: A General Federated Learning Framework over 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) - Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。
我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
論文 参考訳(メタデータ) (2023-07-14T04:13:11Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳(メタデータ) (2023-06-15T14:50:27Z) - Machine Learning-Based User Scheduling in Integrated
Satellite-HAPS-Ground Networks [82.58968700765783]
第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。
本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
論文 参考訳(メタデータ) (2022-05-27T13:09:29Z) - 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) - Satellite Based Computing Networks with Federated Learning [30.090106801185886]
人工知能(AI)によって強化された第6世代(6G)モバイルシステムである無線通信の新世代が、かなりの研究関心を集めている。
6Gの様々な候補技術の中で、低軌道(LEO)衛星はユビキタス無線アクセスの特徴をアピールしている。
知的適応学習を備えた大規模相互接続デバイスをサポートし,SatComにおける高価なトラフィックを削減するため,LEOベースの衛星通信ネットワークにおけるフェデレーション学習(FL)を提案する。
論文 参考訳(メタデータ) (2021-11-20T13:24:23Z) - 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) - Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文 参考訳(メタデータ) (2020-07-23T13:32:47Z) - 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。
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。