論文の概要: Stitching Satellites to the Edge: Pervasive and Efficient Federated LEO Satellite Learning
- arxiv url: http://arxiv.org/abs/2401.15541v2
- Date: Mon, 8 Apr 2024 14:10:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-10 01:26:28.374516
- Title: Stitching Satellites to the Edge: Pervasive and Efficient Federated LEO Satellite Learning
- Title（参考訳）: 衛星をエッジに固定する:広範かつ効率的なLEO衛星学習
- Authors: Mohamed Elmahallawy, Tie Luo,
- Abstract要約: 本稿では,衛星が大規模機械学習(ML)タスクを効率的に実行できるようにする新しいFL-SECフレームワークを提案する。
主な構成要素は、余分な衛星画像を特定して排除するディビジョン・アンド・コンカーによるパーソナライズドラーニングと、軌道毎に集約された「軌道モデル」を生成し、地上局に送る前に再訓練する軌道モデル再訓練である。
我々のアプローチではFL収束時間が30倍近く減少し、衛星のエネルギー消費は1.38ワットまで減少し、例外的な精度は96%まで維持される。
- 参考スコア（独自算出の注目度）: 1.3121410433987561
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In the ambitious realm of space AI, the integration of federated learning (FL) with low Earth orbit (LEO) satellite constellations holds immense promise. However, many challenges persist in terms of feasibility, learning efficiency, and convergence. These hurdles stem from the bottleneck in communication, characterized by sporadic and irregular connectivity between LEO satellites and ground stations, coupled with the limited computation capability of satellite edge computing (SEC). This paper proposes a novel FL-SEC framework that empowers LEO satellites to execute large-scale machine learning (ML) tasks onboard efficiently. Its key components include i) personalized learning via divide-and-conquer, which identifies and eliminates redundant satellite images and converts complex multi-class classification problems to simple binary classification, enabling rapid and energy-efficient training of lightweight ML models suitable for IoT/edge devices on satellites; ii) orbital model retraining, which generates an aggregated "orbital model" per orbit and retrains it before sending to the ground station, significantly reducing the required communication rounds. We conducted experiments using Jetson Nano, an edge device closely mimicking the limited compute on LEO satellites, and a real satellite dataset. The results underscore the effectiveness of our approach, highlighting SEC's ability to run lightweight ML models on real and high-resolution satellite imagery. Our approach dramatically reduces FL convergence time by nearly 30 times, and satellite energy consumption down to as low as 1.38 watts, all while maintaining an exceptional accuracy of up to 96%.
- Abstract（参考訳）: 宇宙AIの野心的な領域では、連邦学習(FL)と低地球軌道(LEO)の衛星コンステレーションの統合は大きな可能性を秘めている。
しかし、実現可能性、学習効率、収束性の点で多くの課題が続いている。
これらのハードルは通信のボトルネックに起因し、LEO衛星と地上局との間の散発的かつ不規則な接続と、衛星エッジコンピューティング(SEC)の限られた計算能力が特徴である。
本稿では,LEO衛星が大規模機械学習(ML)タスクを効率的に実行できるようにする新しいFL-SECフレームワークを提案する。
主な構成要素は
一 衛星画像の冗長性を識別し排除し、複雑な多クラス分類問題を単純な二分分類に変換して、衛星上のIoT/エッジデバイスに適した軽量MLモデルの迅速かつエネルギー効率のよい訓練を可能にする分割・コンカヤによるパーソナライズドラーニング
二 軌道毎に集約された「軌道モデル」を生成し、地上局に送信する前に再訓練し、必要な通信ラウンドを大幅に削減する軌道モデル再訓練。
我々は、LEO衛星上の限られた計算を忠実に模倣したエッジデバイスであるJetson Nanoと、実際の衛星データセットを用いて実験を行った。
その結果,実画像と高解像度の衛星画像上で軽量MLモデルを動作させるSECの能力が,我々のアプローチの有効性を浮き彫りにした。
我々のアプローチではFL収束時間が30倍近く減少し、衛星のエネルギー消費は1.38ワットまで減少し、例外的な精度は96%まで維持される。
関連論文リスト
- 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) - Communication-Efficient Federated Learning for LEO Satellite Networks
Integrated with HAPs Using Hybrid NOMA-OFDM [1.3121410433987561]
本稿では,LEO衛星に適した新しいFL-SatComアプローチであるNomaFedHAPを提案する。
NomaFedHAPは高高度プラットフォーム(HAP)を分散パラメータサーバ(PS)として利用し、衛星の可視性を高める。
近距離シェルにおける衛星の停止確率とシステム全体の停止確率のクローズドな表現を導出する。
論文 参考訳（メタデータ） (2024-01-01T07:07:27Z) - 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 Satellites and Multi-UAV Reinforcement Learning for
Hybrid FSO/RF Non-Terrestrial Networks [55.776497048509185]
低高度地球軌道衛星(SAT)と無人航空機(UAV)のメガコンステレーションは、第5世代(5G)を超える高速・長距離通信の実現を約束している。
我々は、ミリ波(mmWave)無線周波数(RF)または自由空間光(FSO)リンクを用いて、SATとUAVリレーを介して2つの長距離地上端末間のパケット転送の問題を検討する。
論文 参考訳（メタデータ） (2020-10-20T09:07:10Z) - 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。