論文の概要: One-Shot Federated Learning for LEO Constellations that Reduces Convergence Time from Days to 90 Minutes

• arxiv url: http://arxiv.org/abs/2305.12316v1
• Date: Sun, 21 May 2023 01:57:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 21:22:17.217587
• Title: One-Shot Federated Learning for LEO Constellations that Reduces Convergence Time from Days to 90 Minutes
• Title（参考訳）: 収束時間を数日から90分に短縮するleo星座の一発連立学習
• Authors: Mohamed Elmahallawy, Tie Luo
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.096615629099617
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A Low Earth orbit (LEO) satellite constellation consists of a large number of small satellites traveling in space with high mobility and collecting vast amounts of mobility data such as cloud movement for weather forecast, large herds of animals migrating across geo-regions, spreading of forest fires, and aircraft tracking. Machine learning can be utilized to analyze these mobility data to address global challenges, and Federated Learning (FL) is a promising approach because it eliminates the need for transmitting raw data and hence is both bandwidth and privacy-friendly. However, FL requires many communication rounds between clients (satellites) and the parameter server (PS), leading to substantial delays of up to several days in LEO constellations. In this paper, we propose a novel one-shot FL approach for LEO satellites, called LEOShot, that needs only a single communication round to complete the entire learning process. LEOShot comprises three processes: (i) synthetic data generation, (ii) knowledge distillation, and (iii) virtual model retraining. We evaluate and benchmark LEOShot against the state of the art and the results show that it drastically expedites FL convergence by more than an order of magnitude. Also surprisingly, despite the one-shot nature, its model accuracy is on par with or even outperforms regular iterative FL schemes by a large margin
• Abstract（参考訳）: 低軌道 (LEO) 衛星コンステレーションは、高度の移動性を持ち、天気予報のための雲の動き、地球地域を移動する動物の群れ、森林火災の拡大、航空機追跡など、膨大な量の移動データを収集する多数の小型衛星で構成されている。 機械学習は、これらのモビリティデータを分析してグローバルな課題に対処するために利用することができ、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の両方に親しみやすいため、有望なアプローチである。 しかし、FLはクライアント(サテライト)とパラメータサーバ(PS)の間で多くの通信ラウンドを必要とし、LEO星座では最大数日間遅延する。 本稿では,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ワンショットFLアプローチを提案する。 LEOShotは3つのプロセスからなる。 (i)合成データ生成 (ii)知識蒸留、及び (iii)仮想モデル再訓練。 我々はleoshotを最先端技術に対して評価・ベンチマークし,その結果,fl収束を1桁以上飛躍的に促進することを示した。 また驚くべきことに、ワンショットの性質にもかかわらず、モデルの精度は通常の反復型flスキームよりも大きなマージンで劣っている。

関連論文リスト

• 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)
• LiveHPS: LiDAR-based Scene-level Human Pose and Shape Estimation in Free Environment [59.320414108383055]
  シーンレベルの人間のポーズと形状推定のための単一LiDARに基づく新しいアプローチであるLiveHPSを提案する。 多様な人間のポーズを伴う様々なシナリオで収集される巨大な人間の動きデータセットFreeMotionを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:08:44Z)
• 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)
• AsyncFLEO: Asynchronous Federated Learning for LEO Satellite Constellations with High-Altitude Platforms [3.096615629099617]
  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。
  論文  参考訳（メタデータ） (2022-12-22T07:52:30Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• 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)
• Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
  フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。 我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。 我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
  論文  参考訳（メタデータ） (2022-02-07T05:11:01Z)
• 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)
• 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。