論文の概要: Resource-Aware Federated Mixture-of-Experts with Adaptive Pruning for Onboard Learning in LEO Satellite Constellations
- arxiv url: http://arxiv.org/abs/2609.31932v1
- Date: Fri, 25 Sep 2026 19:24:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 04:32:04.67392
- Title: Resource-Aware Federated Mixture-of-Experts with Adaptive Pruning for Onboard Learning in LEO Satellite Constellations
- Title（参考訳）: LEO衛星コンステレーションのオンボード学習に適応的プルーニングを用いた資源対応型フェデレーション・オブ・エクスプロイト
- Abstract要約: LEO衛星コンステレーションにおける効率的なオンボード学習のための資源対応FLフレームワークであるCOSMIC-FLを提案する。
セマンティック・クラス・トゥ・エキスパート・マッピングにより、各衛星は、ローカルデータに関連する専門家パスのみを訓練、更新、通信することができる。
実験の結果, COSMIC-FLは通信, 計算, エネルギー消費を最大80%削減しながら, 競争精度を維持していることがわかった。
- 参考スコア（独自算出の注目度）: 0.527983993893133
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Low-Earth-orbit (LEO) satellites are increasingly expected to perform onboard learning for applications such as disaster response and environmental monitoring. However, conventional federated learning (FL) is ill-suited to onboard satellite learning, as it assumes computational, memory, and communication resources beyond the capabilities of resource-constrained LEO platforms, often necessitating the transmission of raw imagery to ground stations. We present COSMIC-FL, a resource-aware FL framework for efficient onboard learning in LEO satellite constellations. COSMIC-FL introduces two complementary Mixture-of-Experts (MoE) architectures: a Sliced design that shares backbone representations while activating task-specific channel subsets, and a Modular design that employs lightweight gating to route inputs to physically separated expert networks. A semantic class-to-expert mapping enables each satellite to train, update, and communicate only the expert paths relevant to its local data. To further improve efficiency, COSMIC-FL integrates staged optimization with three structured pruning strategies: server-side pruning, client-side fixed-ratio pruning with mean-vote aggregation, and adaptive client-side per-layer pruning based on aggregated importance and a MAD-based gap criterion. Combined with semantic expert routing, these techniques jointly adapt computation and model sparsity to both data semantics and layer importance, yielding a favourable accuracy--efficiency trade-off for heterogeneous space platforms. Experiments on six image classification benchmarks under highly non-i.i.d. settings show that COSMIC-FL maintains competitive accuracy while reducing communication, computation, and energy consumption by up to 80% over SOTA FL methods. We further validate COSMIC-FL on an NVIDIA Jetson AGX Orin, confirming its efficiency gains under realistic embedded deployment constraints.
- Abstract（参考訳）: 低地球軌道(LEO)衛星は、災害対応や環境モニタリングといった用途において、オンボードで学習することがますます期待されている。
しかし、従来の連合学習(FL)は、資源制約されたLEOプラットフォームの能力を超える計算、記憶、通信資源を前提としており、しばしば地上局への生画像の送信を必要としているため、衛星学習に不適である。
LEO衛星コンステレーションにおける効率的なオンボード学習のための資源対応FLフレームワークであるCOSMIC-FLを提案する。
COSMIC-FLは2つの相補的なMixture-of-Experts (MoE)アーキテクチャを導入し、タスク固有のチャネルサブセットを活性化しながらバックボーン表現を共有するSlicedデザインと、入力を物理的に分離された専門家ネットワークにルーティングするために軽量ゲーティングを利用するModularデザインを導入した。
セマンティック・クラス・トゥ・エキスパート・マッピングにより、各衛星は、ローカルデータに関連する専門家パスのみを訓練、更新、通信することができる。
さらに効率を向上させるため、COSMIC-FLは、サーバ側プルーニング、平均値集約によるクライアント側固定比プルーニング、集約された重要性とMADベースのギャップ基準に基づく適応クライアント側1層プルーニングの3つの構造化されたプルーニング戦略とステージ最適化を統合した。
セマンティック・エキスパート・ルーティングと組み合わせることで、これらの手法はデータセマンティクスとレイヤーの重要性の両方に計算とモデルの疎結合を共同で適用し、不均一な宇宙プラットフォームに対して良好な精度-効率のトレードオフをもたらす。
COSMIC-FLは通信、計算、エネルギー消費を最大80%削減しながら競争精度を維持している。
我々はさらに,NVIDIA Jetson AGX Orin上でCOSMIC-FL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) - Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning [83.67663266193308]
CIL(Class-Incremental Learning)は、学習システムにおいて、それまでの知識を維持しつつ、新しいクラスを学ぶことを必要とする。
自動運転車のような現実のシナリオでは、晴れた日に都市部の道路で訓練されたシステムは、後に農村部や高速道路環境で運用する必要がある。
ドメインシフトと破滅的な忘れを同時に解決する統合フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-09T09:49:13Z) - 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) - 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) - Federated Learning in NTNs: Design, Architecture and Challenges [21.446301665317378]
非地球ネットワーク(NTN)のアーキテクチャにおける分散階層学習(HFL)フレームワークを提案する。
我々は,地球低軌道(LEO)衛星と地上クライアントをFLトレーニングプロセスに統合し,静止軌道(GEO)衛星と中地球中軌道(MEO)衛星を中継機として利用する。
i)FLコンステレーションの分散化によるプライバシー向上、(ii)モデルの精度の向上、レイテンシのバランスを保ちながらトレーニング損失の低減、(iii)MEOおよびGEO衛星を利用したユビキタス接続によるFLシステムのスケーラビリティ向上、(iv)
論文 参考訳（メタデータ） (2025-03-10T12:53:45Z) - 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) - Computation and Communication Efficient Lightweighting Vertical Federated Learning for Smart Building IoT [6.690593323665202]
IoTデバイスは、ディープラーニングタスクに積極的に参加するために、基本的なデータ収集とコントロールを越えて進化している。
本稿では,計算効率と通信効率を協調的に最適化する軽量垂直統合学習フレームワークを提案する。
画像分類タスクの実験結果から,LVFLは競合学習性能を維持しつつ,資源需要を効果的に軽減することを示した。
論文 参考訳（メタデータ） (2024-03-30T20:19:28Z) - Semi-Federated Learning: Convergence Analysis and Optimization of A
Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。
我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文 参考訳（メタデータ） (2023-10-04T03:32:39Z) - Vertical Federated Learning over Cloud-RAN: Convergence Analysis and
System Optimization [82.12796238714589]
高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。
アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。
我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
論文 参考訳（メタデータ） (2023-05-04T09:26:03Z)
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。