論文の概要: FedRings: A Scalable and Topology-Aware Federated Learning Framework for LEO Satellite Constellations

• arxiv url: http://arxiv.org/abs/2608.03436v1
• Date: Tue, 04 Aug 2026 10:31:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.127536
• Title: FedRings: A Scalable and Topology-Aware Federated Learning Framework for LEO Satellite Constellations
• Title（参考訳）: FedRings:LEO衛星コンステレーションのためのスケーラブルでトポロジに配慮したフェデレーションラーニングフレームワーク
• Authors: Ziwu Liu, Inês Pinto Gouveia, Rehana Yasmin, Paulo Esteves-Verissimo, Ali Shoker,
• Abstract要約: Fedsは、衛星をリングベースの通信構造に整理するフレームワークである。 トポロジ対応のルーティング、通信スケジューリング、効率的なアグリゲーションを組み合わせる。 実験では、現実的な設定で既存のメソッドを一貫して上回ります。
• 参考スコア（独自算出の注目度）: 0.3262230127283452
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning over low Earth orbit (LEO) satellite networks is limited by frequent link changes, short contact times, and a highly dynamic topology, making centralized or synchronized training inefficient and hard to scale. To address this, we propose FedRings, a decentralized framework that organizes satellites into ring-based communication structures. It uses a spatio-temporal routing strategy with link-aware communication scheduling to align model exchange with actual visibility windows and time-varying connectivity patterns in LEO. Model updates are propagated along the ring using adaptive sparse incremental aggregation, which reduces communication overhead by progressively combining and compressing updates. To handle communication interruptions, a historical compensation mechanism maintains training continuity. By combining topology-aware routing, communication scheduling, and efficient aggregation, FedRings enables stable and efficient learning in dynamic LEO networks while reducing communication cost, and experiments show it consistently outperforms existing methods in realistic settings.
• Abstract（参考訳）: 低地球軌道(LEO)衛星ネットワーク上でのフェデレーション学習は、頻繁なリンク変更、短い接触時間、高度にダイナミックなトポロジーによって制限され、集中的または同期的なトレーニングが非効率でスケールが難しい。 そこで我々は,衛星をリングベースの通信構造に整理する分散型フレームワークであるFedRingsを提案する。 リンク対応通信スケジューリングを用いた時空間ルーティング戦略を用いて、モデル交換を実際の可視性ウィンドウやLEOの時間変化接続パターンと整合させる。 モデル更新はアダプティブスパースインクリメンタルアグリゲーションを使用してリングに沿って伝播され、更新を段階的に組み合わせて圧縮することで通信オーバーヘッドを低減する。 通信中断に対処するため、履歴補償機構はトレーニング継続性を維持する。 トポロジーを考慮したルーティング、通信スケジューリング、効率的なアグリゲーションを組み合わせることで、FedRingsは動的LEOネットワークにおける安定的で効率的な学習を可能にし、通信コストを低減し、実験により既存の手法をリアルな環境で一貫して上回ることを示す。

関連論文リスト

• Operating Regimes of Decentralized Learning Under Mobility and Bandwidth Constraints [1.565870461096057]
  分散学習は,モバイルおよび普及型システムにおける協調トレーニングにおいて,有望なパラダイムである。 クライアントの非同期性、時間変化のあるコンタクトグラフ、および技術依存のスループット制約下での分散平均化について検討する。
  論文  参考訳（メタデータ） (2026-06-01T14:40:30Z)
• OrbitBFT: Enabling Scalable and Robust BFT Consensus in LEO Constellations [16.545733810595255]
  我々は、LEO星座のユニークな特徴に合わせた、2段階の階層的BFTコンセンサスプロトコルOrbitBFTを提案する。 第一に、OrbitBFTは軌道面内の位相安定性を利用して、星座を分割し、局在した面内コンセンサスを実行する。 第二に、ビザンチン耐性のバイパス機構とホップバイホップ伝送プロトコルを設計し、メッセージの信頼性を確保し、混雑を軽減する。 第3に、PBFTとHotStuffをLEOコンテキストに適応させ、安全性と生存性を保ちながら線形メッセージ複雑性を実現する。
  論文  参考訳（メタデータ） (2026-05-01T05:25:51Z)
• Event-Triggered Gossip for Distributed Learning [61.70659996356528]
  我々は,ノード間通信を減らすために,分散学習のためのイベントトリガー型ゴシップフレームワークを開発した。 従来のフルテキスト・オブ・ザ・アート分散学習法と比較して,bf71.61%を限界性能損失のみで分析する。
  論文  参考訳（メタデータ） (2026-02-22T10:13:43Z)
• Stabilizing Decentralized Federated Fine-Tuning via Topology-Aware Alternating LoRA [20.00589625873043]
  textttTAD-LoRAは、フェデレーション学習のサーバレス版である。 我々は, TextttTAD-LoRA が強い連結トポロジにおいて競合し, 適度かつ弱い連結トポロジの下で明確なゲインをもたらすことを示す。
  論文  参考訳（メタデータ） (2026-01-31T01:57:53Z)
• 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)
• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• Scheduling and Aggregation Design for Asynchronous Federated Learning over Wireless Networks [56.91063444859008]
  Federated Learning(FL)は、デバイス上でのトレーニングとサーバベースのアグリゲーションを組み合わせた、協調的な機械学習フレームワークである。 FLシステムにおけるストラグラー問題に対処するために,周期的アグリゲーションを用いた非同期FL設計を提案する。 年齢認識の集約重み付け設計は,非同期FL設定における学習性能を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-12-14T17:33:01Z)
• 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)
• Communication-Efficient and Distributed Learning Over Wireless Networks: Principles and Applications [55.65768284748698]
  機械学習(ML)は、第5世代(5G)通信システムなどのための有望なイネーブルである。 本稿では、関連するコミュニケーションとMLの原則を概観し、選択したユースケースでコミュニケーション効率と分散学習フレームワークを提示することを目的とする。
  論文  参考訳（メタデータ） (2020-08-06T12:37:14Z)

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。