論文の概要: SatDL: Jointly Optimizing Data Redistribution and Training for Satellite-Based Distributed Learning

• arxiv url: http://arxiv.org/abs/2608.24516v2
• Date: Mon, 31 Aug 2026 13:40:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 15:47:04.04872
• Title: SatDL: Jointly Optimizing Data Redistribution and Training for Satellite-Based Distributed Learning
• Title（参考訳）: SatDL: 衛星ベースの分散学習のためのデータ再配布とトレーニングを共同で最適化する
• Abstract要約: 衛星ベースの分散学習は、大規模なグローバル分散センサーデータを使用して、機械学習モデルを軌道上で直接訓練することを約束する。 トレーニング収束は、厳密な非IIDデータ、特にラベルの不均衡によって著しく遅くなる。 エンドツーエンドの学習時間を最小化するために設計されたデータ再分散フレームワークであるSatDLを提案する。
• 参考スコア（独自算出の注目度）: 9.290974911958836
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Satellite-based distributed learning promises to train machine-learning models directly in orbit using massive, globally dispersed sensor data, thereby avoiding large-scale data downloads to ground servers. However, training convergence is significantly slowed by severe non-IID data, specifically label imbalance, as each satellite observes different geographic regions with distinct labels. This imbalance extends training duration and increases energy consumption for solar-powered satellites. Existing approaches either fully redistribute data to enforce IID conditions - accelerating convergence but incurring substantial communication delays - or avoid redistribution entirely by modifying local learning algorithms to mitigate the impact of label imbalance, which, however, still prolong training and increase energy use. Both extremes result in excessive total end-to-end learning time (data-transfer delay plus training time) and thus elevated onboard energy consumption. We present SatDL, a data-redistribution framework designed to minimize total end-to-end learning time. At its core, SatDL develops a Distributor-Critic framework that jointly models and optimizes data-transfer delay and training time. Evaluations through trace-driven simulations of a 1,584-satellite Starlink constellation and hardware emulations using NVIDIA Jetson and A100 GPUs across five datasets show SatDL reduces total end-to-end learning time by up to 18.6% and onboard energy consumption by 12.23-88.00%, while maintaining inference accuracy within a few percentage points of state-of-the-art baselines.
• Abstract（参考訳）: 衛星ベースの分散学習は、大規模なグローバル分散センサーデータを使用して、軌道上で機械学習モデルをトレーニングすることで、地上サーバへの大規模なデータダウンロードを回避することを約束する。 しかし、訓練の収束は、個々の衛星が異なるラベルを持つ異なる地理的領域を観測するため、重度の非IIDデータ、特にラベルの不均衡によって著しく遅くなる。 この不均衡は訓練期間を延長し、太陽エネルギー衛星のエネルギー消費を増加させる。 既存のアプローチは、IID条件を強制するために、完全に再分配するデータ - 収束を加速するが、かなりの通信遅延を引き起こす - または、ラベルの不均衡の影響を軽減するために局所的な学習アルゴリズムを変更することによって、完全に再分配を避ける。 両極端とも、全エンドツーエンドの学習時間(データ転送遅延とトレーニング時間)が過大に増加し、オンボードでのエネルギー消費が増大する。 エンドツーエンドの学習時間を最小化するために設計されたデータ再分散フレームワークであるSatDLを提案する。 SatDLの中核となるのは、データ転送遅延とトレーニング時間を共同でモデル化し、最適化するDistributor-Criticフレームワークである。 NVIDIA JetsonとA100 GPUを用いた1,584サテライトスターリンク星座のトレース駆動シミュレーションと5つのデータセットにわたるハードウェアエミュレーションによる評価により、SatDLはエンドツーエンドの学習時間を最大18.6%削減し、オンボードでのエネルギー消費量は12.23-88.00%削減し、予測精度は最先端のベースラインの数ポイント以内を維持している。

関連論文リスト

• iSatCR: Graph-Empowered Joint Onboard Computing and Routing for LEO Data Delivery [5.78608679278954]
  iSatCRは、オンボードコンピューティングとルーティングを共同で最適化し、送信効率を向上する分散グラフベースのアプローチである。 そこで本研究では,制約付きオンボードストレージ下での協調型計算ルーティング戦略を導出する分散グラフに基づく深層強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-03-19T06:49:27Z)
• OptiVote: Non-Coherent FSO Over-the-Air Majority Vote for Communication-Efficient Distributed Federated Learning in Space Data Centers [68.73273027298625]
  メガコンステレーションは、宇宙データセンター(SDC)の長期的なビジョンを推進している AirCompはフリースペース(FSO)を学習するためのネットワーク内集約フレームワーク AirVoteは符号勾配(SGD)と多数符号変調(PPM)を統合し、各衛星はPPMタイムスロットを活性化することで局所勾配を伝達する。 OptiVoteは位相依存性電場重ね合わせを位相非依存光強度結合に緩和する。
  論文  参考訳（メタデータ） (2025-12-30T16:40:02Z)
• 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)
• An Efficient Privacy-aware Split Learning Framework for Satellite Communications [33.608696987158424]
  衛星通信におけるより効率的なSLのための新しいフレームワークを提案する。 我々のアプローチであるDynamic Topology Informed Pruningは、分散学習のためのグラフニューラルネットワークを最適化するために、差分プライバシとグラフとモデルプルーニングを組み合わせる。 当社のフレームワークは,衛星通信の運用効率を大幅に向上するだけでなく,プライバシに配慮した分散学習の新たなベンチマークも確立している。
  論文  参考訳（メタデータ） (2024-09-13T04:59:35Z)
• 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)
• Adaptive Model Pruning and Personalization for Federated Learning over Wireless Networks [72.59891661768177]
  フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。 これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。 このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
  論文  参考訳（メタデータ） (2023-09-04T21:10:45Z)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)
• Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
  フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。 FEIシステムは異種通信と計算資源分布を示す。 本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-26T08:13:22Z)
• 2-speed network ensemble for efficient classification of incremental land-use/land-cover satellite image chips [2.362412515574206]
  衛星画像データの増大は、産業や政府にとって、データ駆動的な決定を下すことの難しさを浮き彫りにしている。 ビッグデータのコンテキストにおける再トレーニングのコストは,新たなイメージデータやクラスをトレーニングコーパスに追加する場合に,現実的な課題となる。 提案されたアンサンブルとスタッガードトレーニングスケジュールは、スケーラブルで費用対効果の高い衛星画像分類スキームを提供する。
  論文  参考訳（メタデータ） (2022-03-15T21:36:05Z)
• RelaySum for Decentralized Deep Learning on Heterogeneous Data [71.36228931225362]
  分散機械学習では、労働者はローカルデータのモデル更新を計算する。 労働者は中心的な調整なしに隣人とのみ通信するため、これらの更新はネットワーク上で徐々に伝播する。 このパラダイムは、全接続のないネットワーク上での分散トレーニングを可能にし、データのプライバシ保護と、データセンタでの分散トレーニングの通信コストの削減を支援する。
  論文  参考訳（メタデータ） (2021-10-08T14:55:32Z)

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。