FedSN: A General Federated Learning Framework over LEO Satellite Networks

要約

最近、SpaceX などの民間企業によって、多数の低地球軌道 (LEO) 衛星が打ち上げられ、宇宙への展開に成功しました。
LEO衛星に搭載されたマルチモーダルセンサーにより、通信だけでなく、空間変調認識やリモートセンシング画像分類など、さまざまな機械学習アプリケーションにも活用できます。ただし、地上局(GS)ではダウンロードできない場合があります。
LEO 衛星との接触時間は限られているため (例: 5 分)、このような大量の生のセンシング データを集中モデル トレーニングに使用する必要があります。
したがって、フェデレーション ラーニング (FL) が、オンデバイス トレーニングを通じてこの問題に対処する有望なソリューションとして浮上しました。
残念ながら、LEO 衛星で FL を有効にするには、i) 異種コンピューティングおよびメモリ機能、ii) 限られたアップリンク レート、および iii) モデルの古さという 3 つの重大な課題に依然として直面しています。
この目的を達成するために、私たちは上記の課題に取り組み、LEO 衛星上のデータの多様性を完全に調査するための一般的な FL フレームワークとして FedSN を提案します。
具体的には、まず、LEO衛星上のさまざまなコンピューティング、メモリ、および通信の制約を考慮した異種ローカルモデルのトレーニングを可能にする新しいサブ構造スキームを提示します。
さらに、モデルの古さを補うためにモデル集約を動的にスケジュールする擬似同期モデル集約戦略を提案します。
FedSN の有効性をさらに実証するために、現実世界の衛星ネットワークからのデータを活用して、空間変調認識とリモート センシング画像分類タスクを使用して FedSN を評価します。
広範な実験結果により、FedSN フレームワークは、最先端のベンチマークおよび FedSN の各コンポーネントの有効性よりも高い精度、低いコンピューティング、および通信オーバーヘッドを実現していることが実証されています。

要約(オリジナル)

Recently, a large number of Low Earth Orbit (LEO) satellites have been launched and deployed successfully in space by commercial companies, such as SpaceX. Due to multimodal sensors equipped by the LEO satellites, they serve not only for communication but also for various machine learning applications, such as space modulation recognition, remote sensing image classification, etc. However, the ground station (GS) may be incapable of downloading such a large volume of raw sensing data for centralized model training due to the limited contact time with LEO satellites (e.g. 5 minutes). Therefore, federated learning (FL) has emerged as the promising solution to address this problem via on-device training. Unfortunately, to enable FL on LEO satellites, we still face three critical challenges that are i) heterogeneous computing and memory capabilities, ii) limited uplink rate, and iii) model staleness. To this end, we propose FedSN as a general FL framework to tackle the above challenges, and fully explore data diversity on LEO satellites. Specifically, we first present a novel sub-structure scheme to enable heterogeneous local model training considering different computing, memory, and communication constraints on LEO satellites. Additionally, we propose a pseudo-synchronous model aggregation strategy to dynamically schedule model aggregation for compensating model staleness. To further demonstrate the effectiveness of the FedSN, we evaluate it using space modulation recognition and remote sensing image classification tasks by leveraging the data from real-world satellite networks. Extensive experimental results demonstrate that FedSN framework achieves higher accuracy, lower computing, and communication overhead than the state-of-the-art benchmarks and the effectiveness of each components in FedSN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google