論文の概要: AsyncFLEO: Asynchronous Federated Learning for LEO Satellite
Constellations with High-Altitude Platforms
- arxiv url: http://arxiv.org/abs/2212.11522v1
- Date: Thu, 22 Dec 2022 07:52:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 15:37:39.669939
- Title: AsyncFLEO: Asynchronous Federated Learning for LEO Satellite
Constellations with High-Altitude Platforms
- Title(参考訳): asyncfleo:高高度プラットフォームを持つleo衛星星座のための非同期フェデレート学習
- Authors: Mohamed Elmahallawy and Tie Luo
- Abstract要約: FL(Federated Learning)は、データを(衛星を離れることなく)その場に保管することを可能にする
FLは衛星通信の文脈で単一のFLモデルを訓練するのに数日かかる(Satcom)。
本稿では,Satcom の FL 効率を改善するために AsyncFLEO という LEO コンステレーション用の非同期FL フレームワークを提案する。
- 参考スコア(独自算出の注目度): 3.096615629099617
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low Earth Orbit (LEO) constellations, each comprising a large number of
satellites, have become a new source of big data "from the sky". Downloading
such data to a ground station (GS) for big data analytics demands very high
bandwidth and involves large propagation delays. Federated Learning (FL) offers
a promising solution because it allows data to stay in-situ (never leaving
satellites) and it only needs to transmit machine learning model parameters
(trained on the satellites' data). However, the conventional, synchronous FL
process can take several days to train a single FL model in the context of
satellite communication (Satcom), due to a bottleneck caused by straggler
satellites. In this paper, we propose an asynchronous FL framework for LEO
constellations called AsyncFLEO to improve FL efficiency in Satcom. Not only
does AsynFLEO address the bottleneck (idle waiting) in synchronous FL, but it
also solves the issue of model staleness caused by straggler satellites.
AsyncFLEO utilizes high-altitude platforms (HAPs) positioned "in the sky" as
parameter servers, and consists of three technical components: (1) a
ring-of-stars communication topology, (2) a model propagation algorithm, and
(3) a model aggregation algorithm with satellite grouping and staleness
discounting. Our extensive evaluation with both IID and non-IID data shows that
AsyncFLEO outperforms the state of the art by a large margin, cutting down
convergence delay by 22 times and increasing accuracy by 40%.
- Abstract(参考訳): 低軌道(leo)の星座は、それぞれ多数の衛星で構成されており、「空から」新しいビッグデータの源となっている。
ビッグデータ分析のために地上局(GS)にデータをダウンロードするには、非常に高い帯域幅が必要であり、大きな伝搬遅延を伴う。
フェデレーテッド・ラーニング(FL)は、データが(衛星を離れることなく)その場に留まることを可能にし、(衛星のデータに基づいてトレーニングされた)機械学習モデルパラメータを送信する必要があるため、有望なソリューションを提供する。
しかし、従来の同期flプロセスでは、ストラグラー衛星によるボトルネックのため、衛星通信(satcom)の文脈で単一のflモデルをトレーニングするのに数日かかることがある。
本稿では、SatcomにおけるFL効率を改善するために、AsyncFLEOと呼ばれるLEO星座のための非同期FLフレームワークを提案する。
AsynFLEOは同期FLのボトルネック(アイドル待ち)に対処するだけでなく、ストラグラー衛星によるモデル安定性の問題も解決している。
AsyncFLEOは高高度プラットフォーム(HAP)をパラメータサーバとして利用し,(1)星間通信トポロジ,(2)星間通信トポロジ,(3)星間通信トポロジ,(3)衛星グループ化と安定化割引によるモデル集約アルゴリズムの3つの技術コンポーネントから構成される。
IIDデータと非IIDデータの両方による広範囲な評価の結果,AsyncFLEOはアートの状態を大きなマージンで上回り,収束遅延を22倍削減し,精度を40%向上させた。
関連論文リスト
- Low-altitude Friendly-Jamming for Satellite-Maritime Communications via Generative AI-enabled Deep Reinforcement Learning [72.72954660774002]
低地球軌道(LEO)衛星は、海上無線通信で広範囲にわたるデータ通信を支援するために使用できる。
LEO衛星を広範囲にカバーし、チャネルの開放性と組み合わせることで、通信プロセスはセキュリティ上のリスクに悩まされる可能性がある。
本稿では無人航空機による低高度衛星通信システムLEOについて述べる。
論文 参考訳(メタデータ) (2025-01-26T10:13:51Z) - Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。
この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
論文 参考訳(メタデータ) (2024-08-26T17:03:14Z) - 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) - Secure and Efficient Federated Learning in LEO Constellations using
Decentralized Key Generation and On-Orbit Model Aggregation [1.4952056744888915]
本稿では、LEO星座向けに設計されたセキュアFLアプローチであるFedSecureを提案する。
FedSecureは、各衛星のデータのプライバシーを、盗聴者、好奇心の強いサーバー、または好奇心の強い衛星に対して保護する。
また、収束の遅れは数日から数時間に劇的に減少するが、85.35%の精度に達する。
論文 参考訳(メタデータ) (2023-09-04T21:36:46Z) - 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) - 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) - 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) - Federated Learning in the Sky: Joint Power Allocation and Scheduling
with UAV Swarms [98.78553146823829]
無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。
本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-02-19T14:04:01Z)
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。