Heterogeneity: An Open Challenge for Federated On-board Machine Learning

要約

衛星ミッションの設計は現在、個別化されたモノリシック衛星という歴史的なアプローチから、複数の小型衛星で構成される分散型ミッション構成へのパラダイムシフトを迎えています。
現在、軌道上に配備され、それぞれが大量のデータを収集するこのような衛星の数が急速に増加しているため、オンボード軌道エッジ コンピューティングへの関心が高まっています。
Federated Learning は、この状況において有望な分散コンピューティング アプローチであり、複数の衛星が効率的に連携してオンボード機械学習モデルをトレーニングできるようにします。
軌道エッジ コンピューティングにおける Federated Learning の使用に関する最近の研究は、主に同種の衛星群に焦点を当てていますが、Federated Learning を使用して、異種衛星がアドホック コラボレーションを形成できるようにすることもできます。
異なるプロバイダーが運用する通信衛星の場合。
このようなアプリケーションは、主にそのようなシステムの異質性から生じる、Federated Learning パラダイムに対するさらなる課題を提示します。
このポジションペーパーでは、クロスプロバイダーのユースケースの文脈でこれらの課題を体系的にレビューし、それぞれの最先端技術の概要を示し、それぞれの課題をより深く探求するためのエントリポイントを提供します。
問題。

要約(オリジナル)

The design of satellite missions is currently undergoing a paradigm shift from the historical approach of individualised monolithic satellites towards distributed mission configurations, consisting of multiple small satellites. With a rapidly growing number of such satellites now deployed in orbit, each collecting large amounts of data, interest in on-board orbital edge computing is rising. Federated Learning is a promising distributed computing approach in this context, allowing multiple satellites to collaborate efficiently in training on-board machine learning models. Though recent works on the use of Federated Learning in orbital edge computing have focused largely on homogeneous satellite constellations, Federated Learning could also be employed to allow heterogeneous satellites to form ad-hoc collaborations, e.g. in the case of communications satellites operated by different providers. Such an application presents additional challenges to the Federated Learning paradigm, arising largely from the heterogeneity of such a system. In this position paper, we offer a systematic review of these challenges in the context of the cross-provider use case, giving a brief overview of the state-of-the-art for each, and providing an entry point for deeper exploration of each issue.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google