Federated Learning in Satellite Constellations

要約

タイトル：衛星群におけるフェデレーテッドラーニング

要約：
– フェデレーテッドラーニング（FL）は、接続が限られ、不安定なシステムのための分散型機械学習パラダイムとして最近登場した。
– 本論文では、衛星群によってもたらされるFLの新しい文脈を示す。通常の地上FLとは異なる接続パターンが特徴的である。特に、LEOにおける大規模衛星群を対象にし、各衛星が地元に格納されたデータを使用してデータ駆動型FLタスクに参加する。
– このシナリオは、相互接続された小型衛星のメガ衛星群への傾向と衛星に人工知能を統合する動きによって促進されている。
– 衛星群におけるFLの分類について、衛星の通信能力、衛星の配置、パラメータサーバの位置に基づいて提案する。現在のフィールドの最新状況の包括的な概要を提供し、衛星FLの固有のチャレンジと機会について議論する。
– 最後に、衛星群におけるFLのためのいくつかの未解決な研究課題を概説し、このトピックに関する将来の展望を示す。

要約(オリジナル)

Federated learning (FL) has recently emerged as a distributed machine learning paradigm for systems with limited and intermittent connectivity. This paper presents the new context brought to FL by satellite constellations, where the connectivity patterns are significantly different from the ones observed in conventional terrestrial FL. The focus is on large constellations in low Earth orbit (LEO), where each satellites participates in a data-driven FL task using a locally stored dataset. This scenario is motivated by the trend towards mega constellations of interconnected small satellites in LEO and the integration of artificial intelligence in satellites. We propose a classification of satellite FL based on the communication capabilities of the satellites, the constellation design, and the location of the parameter server. A comprehensive overview of the current state-of-the-art in this field is provided and the unique challenges and opportunities of satellite FL are discussed. Finally, we outline several open research directions for FL in satellite constellations and present some future perspectives on this topic.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI