論文の概要: ASTRA: ADMM-Accelerated Topology Reconfiguration for Dynamic Satellite Constellations
- arxiv url: http://arxiv.org/abs/2609.33993v1
- Date: Sun, 27 Sep 2026 22:46:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-04 07:56:07.482934
- Title: ASTRA: ADMM-Accelerated Topology Reconfiguration for Dynamic Satellite Constellations
- Title（参考訳）: ASTRA:ADMMによる動的衛星コンステレーションのためのトポロジー再構成
- Abstract要約: 本稿では, 動的衛星トポロジ再構成のための理論的基盤としたフレームワークであるRegret-Aware Learning (ASTRA) を用いて, 適応衛星トポロジを提示する。
ASTRAはADMMベースのオフラインソルバと、オンライン勾配勾配とオンライン条件勾配の両方の効率的なオンライン更新を組み合わせる。
経験的に、ASTRAはトポロジーの質と一致または改善し、合成星座の計算時間と良いトレードオフを示す。
- 参考スコア（独自算出の注目度）: 1.096028999747108
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamic topology reconfiguration is central to the reliability and efficiency of large satellite constellations, yet many existing approaches rely on idealized assumptions such as full constellation deployment or uniform orbital spacing. We present Adaptive Satellite Topology via Regret-Aware learning (ASTRA), a theoretically-grounded framework for dynamic satellite topology reconfiguration that builds on an online learning formulation and makes it computationally practical. ASTRA combines an ADMM-based offline solver with efficient online updates for both online gradient descent and online conditional gradient, yielding markedly cheaper constrained updates than generic optimization pipelines. On the theory side, we show that for a relevant class of entry-wise nonzero utility matrices, the objective is strongly convex, which yields logarithmic static regret for online gradient descent, and we further instantiate known dynamic-regret guarantees under inexact ADMM inner loops. Empirically, ASTRA matches or improves topology quality, presenting a good trade-off with computational time on synthetic constellations, and it remains effective on real Starlink data under partial deployment and non-uniform spacing, where idealized structural assumptions break down. These results position ASTRA as an efficient and theoretically grounded approach to topology reconfiguration in realistic Low Earth Orbit networks.
- Abstract（参考訳）: 動的位相再構成は、大きな衛星星座の信頼性と効率の中心であるが、既存の多くのアプローチは、完全な星座の配置や軌道間隔のような理想的な仮定に依存している。
本稿では,Regret-Aware Learning (ASTRA)による適応衛星トポロジ(Adaptive Satellite Topology)を提案する。
ASTRAはADMMベースのオフラインソルバと、オンライン勾配勾配とオンライン条件勾配の両方の効率的なオンラインアップデートを組み合わせることで、汎用最適化パイプラインよりもはるかに安価な制約付き更新を実現している。
理論面では、入出力非ゼロユーティリティ行列の関連クラスにおいて、目的が強い凸であり、オンライン勾配降下に対して対数的静的な後悔をもたらすことを示し、さらに不正確なADMM内部ループの下で、既知の動的回帰保証をインスタンス化する。
経験的に、ASTRAはトポロジの質と一致または改善し、合成星座の計算時間と良好なトレードオフを示し、部分的な展開と非一様間隔下での実際のスターリンクデータに対して有効であり、理想的な構造仮定が崩壊する。
これらの結果は、ASTRAを現実的な低軌道ネットワークにおけるトポロジー再構成への効率的で理論的に基礎的なアプローチとして位置づけている。
関連論文リスト
- Online Learning via Learned Latent Bayesian Tracking [65.95566279685426]
非定常環境でのオンライン学習は、厳密な計算制約の下でストリーミングデータから迅速に適応するモデルを必要とする。
ベイズフィルタを現代のディープモデルに直接適用することは、パラメータ空間の高次元性のために計算的に禁止される。
低次元の潜在状態空間モデルをオフラインで学習するメタラーニングフレームワークであるAdaptive Update through Representation Adaptation (AURA)を提案する。
論文 参考訳（メタデータ） (2026-09-25T17:27:14Z) - 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) - GEOALIGN: Geometric Rollout Curation for Robust LLM Reinforcement Learning [25.144030941321237]
Geoalignは反復ポリシー最適化におけるロールアウトキュレーションのためのプラグインである。
プロンプト内選好ペアを形成し、ロールアウト毎の隠れ状態のオンラインプロジェクターを学習し、報酬順序の変位方向を集中させ、プロンプト内安定な代替手段で修正する。
学習された報酬モデルとの対話や、二進的な検証された報酬による数学的推論など、Geoalignは最終的なパフォーマンスを改善し、トレーニングの振動を低減する。
論文 参考訳（メタデータ） (2026-06-25T11:53:37Z) - Topology-Enhanced Alignment for Large Language Models: Trajectory Topology Loss and Topological Preference Optimization [11.937755996746331]
SFTとRLHF/DPOによる大きな言語モデル(LLM)のアライメントは通常、表現空間のグローバルな幾何学を無視している。
0次元の持続的ホモロジーを用いてこれらの軌道を正則化するトポロジ強化アライメントフレームワークを提案する。
結果は、永続的ホモロジーと軌道幾何学が制御可能なアライメントに対して有望な方向を提供することを示している。
論文 参考訳（メタデータ） (2026-05-08T03:07:31Z) - Geometric Characterisation and Structured Trajectory Surrogates for Clinical Dataset Condensation [1.6261700844888172]
トラジェクトリマッチング(TM)は、実データ上でのトレーニング中に観測されたモデルパラメータの変化を用いて合成データを監督する、広く使われている凝縮法である。
固定された合成データセットは、そのような訓練によって引き起こされるパラメータの変化の限られた範囲しか再現できないことを示す。
本稿では,SGDトラジェクトリを2次ベジエトラジェクトリサロゲートに置き換えるBezier Trajectory Matching (BTM)を提案する。
論文 参考訳（メタデータ） (2026-04-23T12:53:46Z) - When Learning Hurts: Fixed-Pole RNN for Real-Time Online Training [58.25341036646294]
本研究では,再帰性極の学習がデータに有意な利点をもたらしない理由を解析的に検討し,実時間学習シナリオを実証的に提供する。
固定極ネットワークは、トレーニングの複雑さを低減し、オンラインリアルタイムタスクにより適していることを示す。
論文 参考訳（メタデータ） (2026-02-25T00:15:13Z) - ODELoRA: Training Low-Rank Adaptation by Solving Ordinary Differential Equations [54.886931928255564]
低ランク適応(LoRA)は、深層移動学習においてパラメータ効率の高い微調整法として広く採用されている。
常微分方程式(ODE)の形でLoRA因子行列に対する新しい連続時間最適化ダイナミクスを提案する。
ODELoRAは,問題次元の異なるスケールのディープニューラルネットワークのトレーニングに不可欠な特性である,安定した特徴学習を実現する。
論文 参考訳（メタデータ） (2026-02-07T10:19:36Z) - GeoRA: Geometry-Aware Low-Rank Adaptation for RLVR [10.820638016337869]
RL更新部分空間の異方性と圧縮性を利用したGeoRAを提案する。
GeoRAは、幾何学的ミスアライメントによる最適化ボトルネックを緩和する。
主要な数学ベンチマークで確立された低ランクのベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-01-14T10:41:34Z) - Consolidation or Adaptation? PRISM: Disentangling SFT and RL Data via Gradient Concentration [56.074760766965085]
PRISMは、モデルの既存の知識との認知的対立度に基づいてデータを調停する動的認識フレームワークを実現する。
この結果から,内部最適化方式に基づくデータ分離が,スケーラブルでロバストなエージェントアライメントに不可欠であることが示唆された。
論文 参考訳（メタデータ） (2026-01-12T05:43:20Z) - Efficient Beamforming Optimization for STAR-RIS-Assisted Communications: A Gradient-Based Meta Learning Approach [29.972987396713126]
STAR-RISは次世代無線ネットワークにおける全空間カバレッジとスペクトル効率を実現するための有望な技術である。
ニューラルネットワークに直接フィードを最適化し,事前学習の必要性を排除し,迅速な適応を可能にする,勾配に基づくメタラーニング(GML)を開発した。
論文 参考訳（メタデータ） (2025-12-09T16:28:15Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z)
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。