論文の概要: FractalNet-Based Heterogeneous Federated Learning for Orbital Edge Intelligence in Satellite Mega-Constellations: A Wildfire Case Study

• arxiv url: http://arxiv.org/abs/2609.00875v1
• Date: Tue, 01 Sep 2026 08:07:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.459358
• Title: FractalNet-Based Heterogeneous Federated Learning for Orbital Edge Intelligence in Satellite Mega-Constellations: A Wildfire Case Study
• Title（参考訳）: フラクタルネットによる衛星メガコンステレーションにおけるオービタルエッジインテリジェンスのための異種フェデレーション学習 : ワイルドファイアケーススタディ
• Authors: Sai Puppala, Koushik Sinha,
• Abstract要約: 大規模センシング、通信、計算ファブリックとして、メガコンステレーションが出現している。 軌道エッジインテリジェンスのためのフラクタルネットアーキテクチャに基づく異種フェデレーション学習手法を提案する。 シミュレーションされたメガコンステレーションの実験は、収束、通信効率、エネルギー適応、スケジュールされた貯蓄、堅牢性、レイテンシーのアプローチを検証する。
• 参考スコア（独自算出の注目度）: 0.3093890460224435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Satellite mega-constellations are emerging as large-scale sensing, communication, and computation fabrics, yet their learning architectures remain largely inherited from terrestrial federated learning and ground-centric mission operations--- ill-suited to satellites that differ by orders of magnitude in Size, Weight, Power, and Cost (SWAP-C), radiation tolerance, link availability, and propagation delay. We propose a heterogeneous federated learning method based on the FractalNet architecture for orbital edge intelligence. We formalize contact-window-constrained, depth-heterogeneous federated optimization and introduce a distributed path scheduler that assigns model depth as a function of SWAP-C constraints, predicted inter-satellite contacts, and training statistics. To reduce message overhead and energy consumption, each tier pools updates periodically rather than at every contact opportunity, and a three-tier agentic control plane governs in-space scheduling, anomaly escalation, and policy-governed autonomy. As a case study, we apply the framework to wildfire detection, where each orbital shell naturally learns a different semantic level of situational awareness: pixel-scale thermal anomalies at low Earth orbit (LEO), regional fire-front dynamics at medium Earth orbit (MEO), and larger-scale risk propagation at geostationary or high Earth orbit (GEO/HEO). Experiments on simulated mega-constellations validate the approach across convergence, communication efficiency, energy adaptation, scheduled-pooling savings, robustness, and latency.
• Abstract（参考訳）: 衛星のメガコンステレーションは、大規模なセンシング、通信、計算のファブリックとして出現しているが、その学習アーキテクチャは、地球上の連邦学習と地上中心のミッションから受け継がれており、サイズ、重量、電力、コスト(SWAP-C)、放射線耐性、リンク可用性、伝播遅延の順で異なる衛星に適していない。 軌道エッジインテリジェンスのためのフラクタルネットアーキテクチャに基づく異種フェデレーション学習手法を提案する。 本研究では, SWAP-C制約の関数としてモデル深度を割り当てる分散経路スケジューラ, 衛星間接触予測, およびトレーニング統計を導入する。 メッセージのオーバヘッドとエネルギー消費を低減するため、各ティアは、全ての接触機会よりも定期的に更新し、3層エージェント制御プレーンは、空間内スケジューリング、異常エスカレーション、ポリシーが支配する自律性を管理する。 本研究では,地球低軌道 (LEO) における画素スケールの熱異常,中地球軌道 (MEO) における地域火災フロントダイナミクス,静止軌道や高地球軌道 (GEO/HEO) における大規模リスク伝播など,各軌道シェルが自然に異なる状況認識のセマンティックレベルを学習するフレームワークを,山火事検出に適用する。 シミュレーションされたメガコンステレーションの実験は、収束、通信効率、エネルギー適応、スケジュールされた貯蓄、堅牢性、レイテンシーのアプローチを検証する。

関連論文リスト

• Reinforcement Learning-Guided Evolutionary Policy Optimization for Preference-Adjustable Heterogeneous Agile Earth Observation Satellite Scheduling [50.176885352114674]
  異質なアジャイル地球観測衛星(AEOS)のスケジューリングには、タスクの選択、衛星の割り当て、および観測シークエンシングが必要である。 本稿では、優先調整可能な重み付け目的を用いた異種AEOSスケジューリングのための進化的ポリシー最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-25T12:16:28Z)
• Space Network of Experts: Architecture and Expert Placement [53.89437186709926]
  宇宙データセンターは、エネルギー集約型大規模言語モデル(LLM)を実行するための有望なプラットフォームとして構想されている しかし、重要な課題の1つは、衛星ネットワークにおける大規模LSMの効率的な分散配置である。 本稿では,広く普及しているMix-of-Experts(MoE)モデルの分散実行を目的としたSpace Network of Experts(Space-XNet)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-01T08:40:31Z)
• Star-Fusion: A Multi-modal Transformer Architecture for Discrete Celestial Orientation via Spherical Topology [0.0]
  本稿では,方向推定を離散的なトポロジ的分類タスクとして再構成するマルチモーダルアーキテクチャであるStar-Fusionを提案する。 提案アーキテクチャは、光度特徴抽出のためのSwinV2-Tiny変換器バックボーン、空間接地のための三部構造畳み込み熱マップブランチ、幾何アンカーのための座標ベースを用いる。 人工ヒッパルコス由来のデータセットによる実験的評価では、スターフュージョンはトップ1の精度93.4%、トップ3の精度97.8%を達成している。
  論文  参考訳（メタデータ） (2026-04-29T12:01:41Z)
• 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)
• Bringing Federated Learning to Space [3.058685580689604]
  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。
  論文  参考訳（メタデータ） (2025-11-18T20:16:07Z)
• Joint AoI and Handover Optimization in Space-Air-Ground Integrated Network [48.485907216785904]
  ローアース軌道(LEO)衛星コンステレーションは、地球をカバーし、遅延を減少させる有望な解決策を提供する。 しかし、軌道力学による間欠的カバレッジと間欠的な通信窓に苦しむ。 我々の3層設計では、HAP-地上通信のための高容量衛星間通信と信頼性無線周波数(RF)リンクに、ハイブリッド自由空間光(FSO)リンクを用いる。
  論文  参考訳（メタデータ） (2025-09-16T06:16:56Z)
• TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
  本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。 我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。 TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
  論文  参考訳（メタデータ） (2025-06-06T17:59:50Z)
• 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)

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。