論文の概要: Bringing Federated Learning to Space

• arxiv url: http://arxiv.org/abs/2511.14889v1
• Date: Tue, 18 Nov 2025 20:16:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.516922
• Title: Bringing Federated Learning to Space
• Title（参考訳）: 宇宙にフェデレーション学習をもたらす
• Authors: Grace Kim, Filip Svoboda, Nicholas Lane,
• Abstract要約: Federated Learningは、衛星ネットワーク間で協調的なモデルトレーニングを行うための、有望なフレームワークを提供する。 我々は、地球上のアルゴリズムを軌道制約下での動作に適応させる包括的「宇宙化」フレームワークを導入する。 解析により、宇宙適応FLアルゴリズムは、最大100個の衛星の星座に効率よくスケールできることが示されている。
• 参考スコア（独自算出の注目度）: 3.058685580689604
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As Low Earth Orbit (LEO) satellite constellations rapidly expand to hundreds and thousands of spacecraft, the need for distributed on-board machine learning becomes critical to address downlink bandwidth limitations. Federated learning (FL) offers a promising framework to conduct collaborative model training across satellite networks. Realizing its benefits in space naturally requires addressing space-specific constraints, from intermittent connectivity to dynamics imposed by orbital motion. This work presents the first systematic feasibility analysis of adapting off-the-shelf FL algorithms for satellite constellation deployment. We introduce a comprehensive "space-ification" framework that adapts terrestrial algorithms (FedAvg, FedProx, FedBuff) to operate under orbital constraints, producing an orbital-ready suite of FL algorithms. We then evaluate these space-ified methods through extensive parameter sweeps across 768 constellation configurations that vary cluster sizes (1-10), satellites per cluster (1-10), and ground station networks (1-13). Our analysis demonstrates that space-adapted FL algorithms efficiently scale to constellations of up to 100 satellites, achieving performance close to the centralized ideal. Multi-month training cycles can be reduced to days, corresponding to a 9x speedup through orbital scheduling and local coordination within satellite clusters. These results provide actionable insights for future mission designers, enabling distributed on-board learning for more autonomous, resilient, and data-driven satellite operations.
• Abstract（参考訳）: 低軌道軌道(LEO)衛星コンステレーションが急速に数十万の宇宙船に拡大するにつれ、ダウンリンク帯域幅制限に対処するためには、オンボード機械学習の分散の必要性が重要になる。 フェデレートラーニング(FL)は、衛星ネットワーク間で協調的なモデルトレーニングを行うための有望なフレームワークを提供する。 宇宙での利点を実現するには、間欠的な接続から軌道運動によって課される力学まで、宇宙固有の制約に対処する必要がある。 本研究は,衛星コンステレーションの展開に市販のFLアルゴリズムを適用した最初の体系的実現可能性分析である。 我々は、地球上のアルゴリズム(FedAvg、FedProx、FedBuff)を軌道制約下での動作に適応させる包括的な「空間化」フレームワークを導入し、FLアルゴリズムの軌道対応スイートを作成する。 次に, クラスタサイズ(1-10), 衛星(1-10), 地上局ネットワーク(1-13) の768個の星座構成を網羅し, これらの空間化手法の評価を行った。 解析により、宇宙適応FLアルゴリズムは、最大100個の衛星の星座まで効率よくスケールし、中央集権理想に近い性能を実現していることが示された。 衛星クラスタ内の軌道スケジューリングと局所調整による9倍のスピードアップに対応して、複数ヶ月のトレーニングサイクルを数日に短縮することができる。 これらの結果は将来のミッションデザイナに実用的な洞察を与え、より自律的でレジリエントでデータ駆動型の衛星運用のための分散オンボード学習を可能にします。

関連論文リスト

• ASTREA: Introducing Agentic Intelligence for Orbital Thermal Autonomy [51.56484100374058]
  ASTREAは、自律的な宇宙船運用のためのフライト・ヘリテージ・ハードウェア上で実行される最初のエージェント・システムである。 我々は,資源制約付き大規模言語モデル(LLM)エージェントと強化学習コントローラを,空間対応プラットフォームに適した非同期アーキテクチャに統合する。
  論文  参考訳（メタデータ） (2025-09-16T08:52:13Z)
• Space for Improvement: Navigating the Design Space for Federated Learning in Satellite Constellations [0.8437187555622164]
  衛星コンステレーションの設計とハードウェア対応テストプラットフォームであるFLySTacKを用いて,既存のFLアルゴリズムの空間化手法を開発した。 我々はAutoFLSatを紹介した。これは空間に対する一般化された階層的な自律的FLアルゴリズムであり、主要な代替手段よりも12.5%から37.5%のモデルトレーニング時間を短縮する。
  論文  参考訳（メタデータ） (2024-10-31T23:49:36Z)
• Scheduling for On-Board Federated Learning with Satellite Clusters [39.78458023920483]
  オンボードのフェデレーション学習により、衛星は機械学習モデルを協調的に訓練することができる。 本稿では,衛星間リンクに接続された星座のFLのスケジューリング手法を提案する。
  論文  参考訳（メタデータ） (2024-02-14T11:26:30Z)
• 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)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• 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 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。