論文の概要: Energy-Aware Federated Learning in Satellite Constellations

• arxiv url: http://arxiv.org/abs/2409.14832v1
• Date: Mon, 23 Sep 2024 09:01:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 20:50:08.812965
• Title: Energy-Aware Federated Learning in Satellite Constellations
• Title（参考訳）: 衛星コンステレーションにおけるエネルギーを考慮したフェデレーションラーニング
• Authors: Nasrin Razmi, Bho Matthiesen, Armin Dekorsy, Petar Popovski,
• Abstract要約: 衛星コンステレーションにおけるフェデレーション学習は、グローバルに接続されたインテリジェンスを実現するための有望な技術である。 この計算集約的なタスクに必要なエネルギーは、太陽パネルまたは衛星が地球の影にある場合の内部バッテリーによって提供される。 コンバージェンス速度に影響を与えることなく、バッテリ使用量を最小限に抑えることを目的とした、衛星FLのための新しいエネルギー対応計算時間スケジューラを提案する。
• 参考スコア（独自算出の注目度）: 36.41848652214018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning in satellite constellations, where the satellites collaboratively train a machine learning model, is a promising technology towards enabling globally connected intelligence and the integration of space networks into terrestrial mobile networks. The energy required for this computationally intensive task is provided either by solar panels or by an internal battery if the satellite is in Earth's shadow. Careful management of this battery and system's available energy resources is not only necessary for reliable satellite operation, but also to avoid premature battery aging. We propose a novel energy-aware computation time scheduler for satellite FL, which aims to minimize battery usage without any impact on the convergence speed. Numerical results indicate an increase of more than 3x in battery lifetime can be achieved over energy-agnostic task scheduling.
• Abstract（参考訳）: 人工衛星が機械学習モデルを共同で訓練する衛星コンステレーションにおけるフェデレーション学習は、グローバルに接続されたインテリジェンスと、地球上のモバイルネットワークへの宇宙ネットワークの統合を実現するための有望な技術である。 この計算集約的なタスクに必要なエネルギーは、太陽パネルまたは衛星が地球の影にある場合の内部バッテリーによって提供される。 この電池とシステムの利用可能なエネルギー資源の慎重な管理は、信頼性の高い衛星運用だけでなく、未熟なバッテリーの老朽化を回避するためにも必要である。 コンバージェンス速度に影響を与えることなく、バッテリ使用量を最小限に抑えることを目的とした、衛星FLのための新しいエネルギー対応計算時間スケジューラを提案する。 計算結果から,エネルギー非依存のタスクスケジューリングにより,電池寿命が3倍以上に増加することが示唆された。

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)
• Hierarchical Learning and Computing over Space-Ground Integrated Networks [40.19542938629252]
  地上IoTデバイス上で,局所的に訓練されたモデルに対してグローバルアグリゲーションサービスを提供するための階層的学習・計算フレームワークを提案する。 モデルアグリゲーションのネットワークエネルギー問題を定式化し、これはDST問題であることが判明した。 代用有向グラフ上で最小スパンニングアーボラッセンスを求めることでDST問題を解決するためのトポロジカル・アウェア・エネルギ効率・ルーティング(TAEER)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-26T09:05:43Z)
• Stitching Satellites to the Edge: Pervasive and Efficient Federated LEO Satellite Learning [1.3121410433987561]
  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。
  論文  参考訳（メタデータ） (2024-01-28T02:01:26Z)
• 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)
• Distance-Only Task Orchestration Algorithm for Energy Efficiency in Satellite-Based Mist Computing [1.0225653612678713]
  本稿では,衛星接近を優先する重計算タスクオフロードアルゴリズムを提案する。 提案アルゴリズムは、衛星エネルギー消費、平均的なエンドツーエンド遅延、タスク成功率の観点から、他のオフロード方式よりも優れている。
  論文  参考訳（メタデータ） (2023-11-24T06:38:41Z)
• 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)
• Energy-Efficient On-Board Radio Resource Management for Satellite Communications via Neuromorphic Computing [59.40731173370976]
  本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。 関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
  論文  参考訳（メタデータ） (2023-08-22T03:13:57Z)
• Innovations in the field of on-board scheduling technologies [64.41511459132334]
  本稿では、ミッション自律のためのソフトウェアフレームワークに組み込まれた、オンボードスケジューラを提案する。 スケジューラは線形整数プログラミングに基づいており、ブランチ・アンド・カット・ソルバの使用に依存している。 この技術は地球観測のシナリオでテストされており、その性能を最先端のスケジューリング技術と比較している。
  論文  参考訳（メタデータ） (2022-05-04T12:00:49Z)
• 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。