論文の概要: STLT: A Novel System for Energy-Aware Distributed Inference in the Edge-Cloud-Space Continuum

• arxiv url: http://arxiv.org/abs/2611.01233v1
• Date: Sat, 31 Oct 2026 19:59:34 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:00:23.839871
• Title: STLT: A Novel System for Energy-Aware Distributed Inference in the Edge-Cloud-Space Continuum
• Title（参考訳）: エッジクラウド空間連続体におけるエネルギーを考慮した分散推論のための新しいシステムSTLT
• Abstract要約: 低地球軌道衛星は、山火事検出のような地球観測の作業において重要な役割を担っている。 オンボード解析はダウンリンク量を減少させるが、厳しいエネルギー制約により計算とデータ転送のトレードオフが生じる。 本稿では,衛星と地上局間のエネルギー認識分散推定のための2段階システムSTLTを提案する。
• 参考スコア（独自算出の注目度）: 1.7499351967216341
• License:
• Abstract: Low Earth Orbit satellites are pivotal for Earth observation tasks such as wildfire detection, capturing imagery for analysis by Deep Neural Networks (DNNs). On-board analysis reduces downlink volume, but severe energy constraints force a trade-off between computation and data transmission. Splitting the DNN between satellite and ground turns this balance into a design choice, where the split point determines combined computation and downlink energy. Existing approaches typically rely on static split-point decisions that fail to account for dynamic space conditions, or on complex algorithms, historical data, or prediction models that introduce significant overhead. To address these shortcomings, we present STLT, a two-stage system for energy-aware distributed inference between LEO satellites and a ground station. First, an offline analyzer characterizes the DNN architecture to identify a set of favorable split points, consequently reducing the search space. Second, an on-board algorithm performs lightweight energy-aware split selection, dynamically choosing from this pre-computed set based on the current state of the environment. We evaluate STLT on a real-world satellite telemetry dataset, showing that it reduces the split-candidate search space by 30.7% on average, lowers decision latency by 25.1% and energy by 27.5% on average, and delivers up to 20.1% more inference tasks than a state-of-the-art satellite-ground co-inference baseline while consuming 8.8% less energy overall.
• Abstract（参考訳）: 低地球軌道衛星は、山火事の検出、ディープニューラルネットワーク(DNN)による解析のための画像の収集などの地球観測作業において重要な役割を担っている。 オンボード解析はダウンリンク量を減少させるが、厳しいエネルギー制約により計算とデータ転送のトレードオフが生じる。 衛星と地上の間でDNNを分割すると、このバランスが設計選択となり、分割点が計算とダウンリンクエネルギーの組み合わせを決定する。 既存のアプローチは、通常、動的空間条件や複雑なアルゴリズム、履歴データ、あるいは重大なオーバーヘッドをもたらす予測モデルを考慮できない静的な分割点決定に依存している。 これらの欠点に対処するため,LEO衛星と地上局間のエネルギー認識分散推定システムSTLTを提案する。 まず、オフラインアナライザがDNNアーキテクチャを特徴付け、有利な分割点の集合を識別し、探索空間を減少させる。 第二に、オンボードアルゴリズムは、環境の現在の状態に基づいて、この事前計算セットから動的に選択する、軽量なエネルギー対応分割選択を行う。 実世界の衛星テレメトリデータセット上でSTLTを評価し、分割候補探索空間を平均で30.7%減らし、決定遅延を25.1%減らし、エネルギーを27.5%減らし、全エネルギーを8.8%減らしながら、最先端の衛星地上コ推論ベースラインよりも最大20.1%の推論タスクを提供することを示した。

関連論文リスト

• 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)
• 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)
• EarthSight: A Distributed Framework for Low-Latency Satellite Intelligence [16.149352291954845]
  我々は、衛星画像のインテリジェンスを再定義する分散ランタイムフレームワークであるEarthSightを、軌道と地上の間の分散決定問題として提示する。 EarthSightは画像あたりの平均計算時間を1.9倍に削減し、最先端のベースラインと比較して、最初のコンタクトからデリバリまでの90%のレイテンシを51分から21分に短縮する。
  論文  参考訳（メタデータ） (2025-11-13T22:36:20Z)
• 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)
• Hierarchical Learning and Computing over Space-Ground Integrated Networks [40.19542938629252]
  地上IoTデバイス上で,局所的に訓練されたモデルに対してグローバルアグリゲーションサービスを提供するための階層的学習・計算フレームワークを提案する。 モデルアグリゲーションのネットワークエネルギー問題を定式化し、これはDST問題であることが判明した。 代用有向グラフ上で最小スパンニングアーボラッセンスを求めることでDST問題を解決するためのトポロジカル・アウェア・エネルギ効率・ルーティング(TAEER)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-26T09:05:43Z)
• Continual Deep Reinforcement Learning for Decentralized Satellite Routing [34.67962234401005]
  本稿では, 連続的深部強化学習(DRL)に基づく低地球軌道衛星コンステレーションにおける分散ルーティングの完全な解を提案する。 我々は、各衛星が独立した意思決定エージェントとして機能するマルチエージェントアプローチに従う。 我々のソリューションは混雑条件に順応し、ロードの少ない経路を利用する。
  論文  参考訳（メタデータ） (2024-05-20T18:12:36Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)

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。