論文の概要: FedOrbit: Adaptive Personalized Federated Learning for Non-IID LEO Satellite Constellations

• arxiv url: http://arxiv.org/abs/2608.09687v1
• Date: Mon, 10 Aug 2026 14:53:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.321379
• Title: FedOrbit: Adaptive Personalized Federated Learning for Non-IID LEO Satellite Constellations
• Title（参考訳）: FedOrbit:IID LEO衛星コンステレーションのための適応型パーソナライズドフェデレーション学習
• Abstract要約: 低地球軌道衛星星座におけるフェデレーション学習は、非IIDデータと不規則な地上局の可視性によって影響を受ける。 本稿では,衛星間リンク上の連続軌道レベルトレーニング,クラス認識階層集約,戻り値減衰による品質重み付け特徴集約,軌道間クラス類似性に基づく適応的特徴分解を組み合わせたFedOrbitを提案する。
• 参考スコア（独自算出の注目度）: 4.998584084394827
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) in Low Earth Orbit (LEO) satellite constellations is affected by non-IID data and irregular ground-station visibility, both driven by orbital geometry. Global aggregation performs poorly when orbit-level class distributions are disjoint, while strong personalisation can be excessive when these distributions overlap. We present FedOrbit, which combines continuous orbit-level training over inter-satellite links, class-aware hierarchical aggregation, quality-weighted feature aggregation with return-rate dampening, and adaptive feature decomposition based on inter-orbit class similarity. Across three remote-sensing benchmarks and two non-IID partitions, FedOrbit achieves the highest accuracy in five of six settings and is within $0.9$ percentage points of the best result in the sixth. The gains over the strongest baseline reach $16.1$ percentage points under Dirichlet partitioning and $8.6$ under pathological partitioning, with the smallest per-orbit accuracy spread in five of six settings.
• Abstract（参考訳）: 低地球軌道(LEO)衛星星座におけるフェデレートラーニング(FL)は、非IIDデータと不規則な地上局の視認性に影響され、どちらも軌道幾何学によって駆動される。 グローバルアグリゲーションは、軌道レベルのクラス分布が解離した場合は不十分であり、これらの分布が重なり合うと、強いパーソナライゼーションが過剰になる可能性がある。 本稿では,衛星間リンク上での連続軌道レベルのトレーニング,クラス認識階層集約,リターンレート減衰による品質重み付け特徴集約,軌道間クラス類似性に基づく適応的特徴分解を組み合わせたFedOrbitを提案する。 3つのリモートセンシングベンチマークと2つの非IIDパーティションで、FedOrbitは6つの設定のうち5つの設定で最高精度を達成し、6番目の結果の最高値の0.9$ポイント以内である。 最強のベースラインでの利得はディリクレ分割で16.1ドル、病理分割で8.6ドルに達し、軌道当たりの精度は6つの設定で最少となった。

関連論文リスト

• From Concentration to Differentiation and Back: Routing Effective Rank in MoE Reasoning Cohorts [61.695980784491475]
  テストタイムスケーリングは、推論ロールアウトのコホートを生成するが、推論が展開するにつれて内部計算がどのように再編成されるかについて、標準的なラベルのない説明はない。 本稿では,MoEの専門家による類似性から構築したクロスロールアウトグラフのエントロピー有効次元性であるルーティング有効ランクデフを導入する。
  論文  参考訳（メタデータ） (2026-09-06T05:43:22Z)
• LoRetta: A Foundation Model and Extensive Dataset for Global-Scale Remote Sensing Dense Image Matching [39.25581475845445]
  一致可能性を考慮したアフィンの局所化と高密度登録を導出する基礎モデルであるLoRettaを提案する。 また、LEVIR-GMは、データセット固有のマッチング性ラベルを持つグローバルスケールの多時間光マッチングベンチマークである。 LEVIR-GMでは、ローレッタは曲線(AUC)の83.3%の領域を達成し、最強のベースラインであるRoMa v2を1.6ポイント上回っている。
  論文  参考訳（メタデータ） (2026-08-04T18:02:19Z)
• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• Slum Detection and Density Mapping with AlphaEarth Foundations: A Representation Learning Evaluation Across 12 Global Cities [9.982796078979648]
  画素レベルのスラムマッピングは、長い間、限られた都市間一般化によって制約されてきた。 AlphaEarth Foundationsは、軽量スラムモニタリングのための新しい分析可能なベースを提供する。 我々は,12都市と69都市年対のスラム分類とサブピクセル密度推定についてAFFを評価した。
  論文  参考訳（メタデータ） (2026-05-11T05:54:15Z)
• The Coordinate System Problem in Persistent Structural Memory for Neural Architectures [0.0]
  そこで我々はDual-View Pheromone Pathway Network (DPPN)を紹介した。 永続メモリは安定した座標系を必要とする。 コントラスト的な更新,マルチソース蒸留,ハンガリーのアライメント,セマンティックな分解は,スクラッチから埋め込みが学習された場合の不安定性を解消しないことを示す。
  論文  参考訳（メタデータ） (2026-03-24T06:51:59Z)
• MatchTIR: Fine-Grained Supervision for Tool-Integrated Reasoning via Bipartite Matching [60.886768806064936]
  Tool-Integrated Reasoningは、外部ツールのインタラクションと推論ステップをインターリーブすることで、大規模な言語モデルで複雑なタスクに対処することを可能にする。 既存の強化学習法は、結果や軌道レベルの報酬に依存し、軌道内のすべてのステップに一様の利点を割り当てる。 両部間マッチングに基づくターンレベルの報酬割当と二重レベルの優位性推定によるきめ細かい監視を実現するフレームワークであるMatchTIRを提案する。
  論文  参考訳（メタデータ） (2026-01-15T18:59:23Z)
• Towards Satellite Non-IID Imagery: A Spectral Clustering-Assisted Federated Learning Approach [29.593406320684448]
  低軌道(LEO)衛星は、様々なモノのインターネット(IoT)アプリケーションを実現するために、豊富な地球観測データ(EOD)を集めることができる。 効率的なEDD処理機構を実現するためには,1) 衛星と地上局の接続が間欠的であるため,大規模なデータを地上に送信することなく観測データを処理すること,2) 非独立で同一の(非IID)衛星データを処理すること,の課題を検討する必要がある。 軌道を用いたスペクトルクラスタリングによるクラスタリング型自己知識蒸留(OSC-FSKD)を提案する。
  論文  参考訳（メタデータ） (2024-10-17T14:36:58Z)
• 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)
• Disentangled Federated Learning for Tackling Attributes Skew via Invariant Aggregation and Diversity Transferring [104.19414150171472]
  属性は、クライアント間の一貫した最適化方向から、現在の連邦学習(FL)フレームワークを歪めます。 本稿では,ドメイン固有属性とクロス不変属性を2つの補足枝に分離するために,非絡み付きフェデレーション学習(DFL)を提案する。 実験により、DFLはSOTA FL法と比較して高い性能、より良い解釈可能性、より高速な収束率でFLを促進することが確認された。
  論文  参考訳（メタデータ） (2022-06-14T13:12:12Z)
• Heterogeneous Federated Learning via Grouped Sequential-to-Parallel Training [60.892342868936865]
  フェデレートラーニング(Federated Learning, FL)は、プライバシ保護のためのコラボレーション機械学習パラダイムである。 本稿では,この課題に対処するため,データヘテロジニアス・ロバストFLアプローチであるFedGSPを提案する。 その結果,FedGSPは7つの最先端アプローチと比較して平均3.7%の精度向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2022-01-31T03:15:28Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)

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。