Stitching Satellites to the Edge: Pervasive and Efficient Federated LEO Satellite Learning

要約

宇宙 AI の野心的な領域では、フェデレーテッド ラーニング (FL) と地球低軌道 (LEO) 衛星群の統合が大きな期待を抱いています。
ただし、実現可能性、学習効率、収束性の点では多くの課題が残っています。
これらの障害は、LEO 衛星と地上局間の散発的かつ不規則な接続と、衛星エッジ コンピューティング (SEC) の限られた計算能力を特徴とする通信のボトルネックから生じています。
この論文では、LEO 衛星が機上で大規模な機械学習 (ML) タスクを効率的に実行できるようにする新しい FL-SEC フレームワークを提案します。
その主要なコンポーネントには、i) 分割統治によるパーソナライズされた学習が含まれます。これにより、冗長な衛星画像を特定して排除し、複雑なマルチクラス分類問題を単純なバイナリ分類に変換し、IoT/IoT に適した軽量 ML モデルの迅速かつエネルギー効率の高いトレーニングを可能にします。
衛星上のエッジデバイス。
ii) 軌道モデルの再トレーニング。軌道ごとに集約された「軌道モデル」を生成し、地上局に送信する前に再トレーニングして、必要な通信回数を大幅に削減します。
私たちは、LEO 衛星の限られたコンピューティングを厳密に模倣したエッジ デバイスである Jetson Nano と、実際の衛星データセットを使用して実験を実施しました。
この結果は、実際の高解像度衛星画像上で軽量 ML モデルを実行できる SEC の能力を強調し、私たちのアプローチの有効性を強調しています。
当社のアプローチは、最大 96% という優れた精度を維持しながら、FL コンバージェンス時間を約 30 分の 1 に劇的に短縮し、衛星のエネルギー消費を 1.38 ワットまで削減します。

要約(オリジナル)

In the ambitious realm of space AI, the integration of federated learning (FL) with low Earth orbit (LEO) satellite constellations holds immense promise. However, many challenges persist in terms of feasibility, learning efficiency, and convergence. These hurdles stem from the bottleneck in communication, characterized by sporadic and irregular connectivity between LEO satellites and ground stations, coupled with the limited computation capability of satellite edge computing (SEC). This paper proposes a novel FL-SEC framework that empowers LEO satellites to execute large-scale machine learning (ML) tasks onboard efficiently. Its key components include i) personalized learning via divide-and-conquer, which identifies and eliminates redundant satellite images and converts complex multi-class classification problems to simple binary classification, enabling rapid and energy-efficient training of lightweight ML models suitable for IoT/edge devices on satellites; ii) orbital model retraining, which generates an aggregated ‘orbital model’ per orbit and retrains it before sending to the ground station, significantly reducing the required communication rounds. We conducted experiments using Jetson Nano, an edge device closely mimicking the limited compute on LEO satellites, and a real satellite dataset. The results underscore the effectiveness of our approach, highlighting SEC’s ability to run lightweight ML models on real and high-resolution satellite imagery. Our approach dramatically reduces FL convergence time by nearly 30 times, and satellite energy consumption down to as low as 1.38 watts, all while maintaining an exceptional accuracy of up to 96%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google