卫星联邦学习异步聚合

连接密度自适应

针对卫星连接密度动态变化，提出异步动态聚合方法，提升联邦学习效率和精度。

Xu, Zhuo · Mengqing, Jin · 林剑 · Yuelong, Liu · 许建龙 · Zhi, Xiong · Hao, Cai

Future Generation Computer Systems 2024

技术优势

无需在轨全量回传

卫星在轨分析数据，仅回传模型参数而非原始观测数据，大幅降低下行链路压力。

动态适应连接密度

地面站感知连接密度并实施动态异步聚合，避免同步等待，提升训练效率。

打破数据壁垒

联邦学习框架使不同卫星间无需共享原始数据即可协同训练全局模型。

应用场景

• 卫星互联网：应用于低轨卫星编队，在连接动态变化下实现低带宽协同学习。
• 分布式机器学习：将联邦学习部署于卫星网络，使全球多节点异步训练统一模型。
• 多智能体协同：跨卫星运营方共享模型而非原始数据，实现隐私保护的协作智能。
• 边缘计算：将计算推向卫星端，减少回传冗余，实现近数据源智能处理。