論文の概要: Cooperative Federated Learning over Ground-to-Satellite Integrated
Networks: Joint Local Computation and Data Offloading
- arxiv url: http://arxiv.org/abs/2312.15361v1
- Date: Sat, 23 Dec 2023 22:09:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 18:29:03.019648
- Title: Cooperative Federated Learning over Ground-to-Satellite Integrated
Networks: Joint Local Computation and Data Offloading
- Title（参考訳）: 地上-衛星統合ネットワークにおける協調学習--共同ローカル計算とデータオフロード
- Authors: Dong-Jun Han, Seyyedali Hosseinalipour, David J. Love, Mung Chiang,
Christopher G. Brinton
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 33.44828515877944
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While network coverage maps continue to expand, many devices located in
remote areas remain unconnected to terrestrial communication infrastructures,
preventing them from getting access to the associated data-driven services. In
this paper, we propose a ground-to-satellite cooperative federated learning
(FL) methodology to facilitate machine learning service management over remote
regions. Our methodology orchestrates satellite constellations to provide the
following key functions during FL: (i) processing data offloaded from ground
devices, (ii) aggregating models within device clusters, and (iii) relaying
models/data to other satellites via inter-satellite links (ISLs). Due to the
limited coverage time of each satellite over a particular remote area, we
facilitate satellite transmission of trained models and acquired data to
neighboring satellites via ISL, so that the incoming satellite can continue
conducting FL for the region. We theoretically analyze the convergence behavior
of our algorithm, and develop a training latency minimizer which optimizes over
satellite-specific network resources, including the amount of data to be
offloaded from ground devices to satellites and satellites' computation speeds.
Through experiments on three datasets, we show that our methodology can
significantly speed up the convergence of FL compared with terrestrial-only and
other satellite baseline approaches.
- Abstract（参考訳）: ネットワークカバレッジマップは拡大を続けているが、遠隔地にある多くのデバイスは地上の通信インフラと接続していないままであり、関連するデータ駆動サービスにアクセスできない。
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,衛星間協調学習(fl)手法を提案する。
我々の手法は衛星コンステレーションを編成し、以下の重要な機能を提供する。
(i)地上装置からオフロードされたデータを処理すること。
(ii)デバイスクラスタ内のモデルを集約し、
(iii)衛星間リンク(isls)によるモデル/データを他の衛星に中継すること。
特定の遠隔地における各衛星の放送時間に制限があるため、訓練されたモデルと取得したデータをISLを介して隣接衛星に送信し、受信した衛星が地域のFLを継続できるようにする。
提案アルゴリズムの収束挙動を理論的に解析し,地上機器から衛星へのオフロードするデータ量や衛星の計算速度など,衛星固有のネットワークリソースを最適化する訓練遅延最小化器を開発した。
3つのデータセットを用いた実験により、地上のみの衛星ベースラインアプローチと比較してFLの収束を著しく高速化できることを示す。
関連論文リスト
- SatFed: A Resource-Efficient LEO Satellite-Assisted Heterogeneous Federated Learning Framework [19.59862482196897]
資源効率の高い衛星支援ヘテロジニアスFLフレームワークであるSatFedを提案する。
SatFedは、高度に制約された衛星地上帯域の利用を最適化するために、鮮度に基づくモデルの優先順位付けキューを実装している。
実世界のLEO衛星ネットワークを用いた実験により、SatFedは最先端のベンチマークよりも優れた性能と堅牢性を発揮することが示された。
論文 参考訳（メタデータ） (2024-09-20T13:44:00Z) - 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) - 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) - Over-the-Air Federated Learning in Satellite systems [0.0]
衛星でのフェデレーション学習にはいくつかの利点がある。
機密データが衛星上に残っており、中央に送信されないため、データのプライバシとセキュリティを確保する。
フェデレートされた学習を活用することで、衛星は協力し、機械学習モデルを継続的に改善することができる。
論文 参考訳（メタデータ） (2023-06-05T16:06:39Z) - 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) - 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。
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。