論文の概要: Graph Theory Meets Federated Learning over Satellite Constellations: Spanning Aggregations, Network Formation, and Performance Optimization
- arxiv url: http://arxiv.org/abs/2509.24932v2
- Date: Thu, 02 Oct 2025 21:56:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-06 12:05:48.048583
- Title: Graph Theory Meets Federated Learning over Satellite Constellations: Spanning Aggregations, Network Formation, and Performance Optimization
- Title（参考訳）: グラフ理論と衛星コンステレーションによるフェデレーション学習:スパンニングアグリゲーション、ネットワーク形成、パフォーマンス最適化
- Authors: Fardis Nadimi, Payam Abdisarabshali, Jacob Chakareski, Nicholas Mastronarde, Seyyedali Hosseinalipour,
- Abstract要約: 本稿では,衛星ネットワークのための分散学習フレームワークであるFed-Spanを紹介する。
Fed-Spanは、衛星ネットワークにおける分散学習に固有の課題に対処することを目指している。
モデル収束の高速化,エネルギー効率の向上,遅延の低減などにより,Fed-Spanは既存の手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 12.126031297041235
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce Fed-Span, a novel federated/distributed learning framework designed for low Earth orbit satellite constellations. Fed-Span aims to address critical challenges inherent to distributed learning in dynamic satellite networks, including intermittent satellite connectivity, heterogeneous computational capabilities of satellites, and time-varying satellites' datasets. At its core, Fed-Span leverages minimum spanning tree (MST) and minimum spanning forest (MSF) topologies to introduce spanning model aggregation and dispatching processes for distributed learning. To formalize Fed-Span, we offer a fresh perspective on MST/MSF topologies by formulating them through a set of continuous constraint representations (CCRs), thereby devising graph-theoretical abstractions into an optimizable framework for satellite networks. Using these CCRs, we obtain the energy consumption and latency of operations in Fed-Span. Moreover, we derive novel convergence bounds for Fed-Span, accommodating its key system characteristics and degrees of freedom (i.e., tunable parameters). Finally, we propose a comprehensive optimization problem that jointly minimizes model prediction loss, energy consumption, and latency of Fed-Span. We unveil that this problem is NP-hard and develop a systematic approach to transform it into a geometric programming formulation, solved via successive convex optimization with performance guarantees. Through evaluations on real-world datasets, we demonstrate that Fed-Span outperforms existing methods, with faster model convergence, greater energy efficiency, and reduced latency. These results highlight Fed-Span as a novel solution for efficient distributed learning in satellite networks.
- Abstract（参考訳）: 我々は、低軌道衛星コンステレーション用に設計された新しいフェデレーション/分散学習フレームワークであるFed-Spanを紹介する。
Fed-Spanは、断続的な衛星接続、衛星の不均一な計算能力、時変衛星のデータセットなど、動的衛星ネットワークにおける分散学習に固有の重要な課題に対処することを目的としている。
中心となるFed-Spanは、最小スパンディングツリー(MST)と最小スパンニングフォレスト(MSF)トポロジーを活用して、分散学習のためのスパンニングモデルアグリゲーションとディスパッチプロセスを導入する。
本稿では,MST/MSFトポロジを連続的制約表現(CCR)によって定式化し,衛星ネットワークの最適化可能なフレームワークにグラフ理論の抽象化を組み込むことにより,Fed-Spanを定式化する。
これらのCCRを用いて、Fed-Spanにおける演算のエネルギー消費と遅延を求める。
さらに、Fed-Spanに対する新しい収束境界を導出し、その鍵となるシステム特性と自由度(調整可能なパラメータ)を調節する。
最後に,Fed-Spanのモデル予測損失,エネルギー消費,遅延を共同で最小化する包括的最適化問題を提案する。
この問題はNPハードであり、幾何的プログラミングの定式化へと変換する体系的な手法を開発し、連続凸最適化と性能保証によって解決した。
実世界のデータセットの評価を通じて、Fed-Spanはモデル収束の高速化、エネルギー効率の向上、レイテンシの低減など、既存の手法よりも優れていることを示す。
これらの結果は、衛星ネットワークにおける効率的な分散学習のための新しいソリューションとしてFed-Spanを強調している。
関連論文リスト
- Accelerating Privacy-Preserving Federated Learning in Large-Scale LEO Satellite Systems [57.692181589325116]
大規模な低地球軌道(LEO)衛星システムは、高速かつ広範囲のデータ交換を可能にする能力によって、ますます価値が高まっている。
プライバシー上の懸念と規制上の制約のため、リモートクライアントで収集された生データを集中的に集約することはできない。
フェデレーション学習は、分散デバイス上でローカルモデルをトレーニングし、モデルパラメータのみを交換することで、プライバシ保護の代替手段を提供する。
本稿では,コミュニケーションリソースを動的に割り当て,フェデレート学習を高速化する,離散時間グラフに基づくオンデマンドスケジューリングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-05T03:33:42Z) - Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。
非滑らかな正規化はしばしば機械学習タスクに組み込まれる。
本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-04-17T08:32:25Z) - Fed-KAN: Federated Learning with Kolmogorov-Arnold Networks for Traffic Prediction [10.34834816497689]
従来の集中型学習アプローチは、高いレイテンシ、断続的な接続性、帯域幅の制限により、そのようなネットワークにおいて大きな課題に直面している。
Federated Learning with Multi-Layer Perceptrons (Fed-MLP)のような既存のFLモデルは、計算の複雑さと動的環境への適応性に悩まされる。
本稿では,Kolmogorov-Arnold Networks (Fed-KAN) を用いたフェデレートラーニングの詳細な分析を行う。
以上の結果から,Fed-KANはFed-MLPと比較して平均テスト損失を77.39%削減できることがわかった。
論文 参考訳（メタデータ） (2025-02-28T20:04:53Z) - FedMeld: A Model-dispersal Federated Learning Framework for Space-ground Integrated Networks [29.49615352723995]
宇宙地上統合ネットワーク(SGIN)は、世界中の隅々に人工知能(AI)サービスを提供することが期待されている。
SGINsのミッションの1つは、世界規模で連邦学習(FL)をサポートすることである。
本稿では,モデル分散(FedMeld)戦略に基づく,インフラストラクチャフリーなフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-23T02:58:12Z) - 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) - Asymmetrically Decentralized Federated Learning [22.21977974314497]
分散フェデレーションラーニング(DFL)が出現し、ピアツーピア(P2P)通信フレームワークでサーバを破棄する。
本稿では,非対称トポロジに基づくPush-Awareプロトコルを用いたDFedSGPSMアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-08T09:46:26Z) - Analysis and Optimization of Wireless Federated Learning with Data
Heterogeneity [72.85248553787538]
本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。
ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。
実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-08-04T04:18:01Z) - Vertical Federated Learning over Cloud-RAN: Convergence Analysis and
System Optimization [82.12796238714589]
高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。
アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。
我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
論文 参考訳（メタデータ） (2023-05-04T09:26:03Z) - 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) - BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。
リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。
BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
論文 参考訳（メタデータ） (2021-12-13T17:35:54Z)
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。