A carregar...
Publicação
Vertical Federated Learning in Satellite Constellations for Lower Earth Orbit
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 5.01 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
The rapid expansion of Low Earth Orbit (LEO) satellite constellations has unlocked new
possibilities for applying Machine Learning (ML) to critical global challenges such as
disaster management, environmental monitoring, and secure communications. However,
traditional centralized ML approaches are impractical in this context due to severe band-
width constraints and sparse satellite-ground connectivity. Federated Learning (FL), a
distributed learning paradigm, allows multiple entities to collaboratively train models
while keeping the raw data local. Among various FL paradigms, Vertical Federated
Learning (VFL)—in which different participants hold complementary features of shared
data samples—emerges as a particularly suitable approach for LEO systems, as different
satellites often gather distinct types of data.
Despite its potential, VFL encounters significant communication bottlenecks, impeding
efficient model convergence in satellite networks. To address this, a novel communication-
efficient VFL framework is proposed, drawing inspiration from two state-of-the-art
methodologies. For the purpose of minimizing communication overhead while ensuring
convergence, Error Feedback compressed Vertical Federated Learning (EFVFL) employs
error feedback compression, while the FedSpace framework, operating in the horizontal
FL setting—where different participants share the same set of features but hold different
data samples—dynamically schedules model aggregation by leveraging deterministic
satellite connectivity patterns, effectively tackling idleness and staleness issues.
This thesis aims to develop and validate a unified framework, leveraging ideas from
EFVFL and FedSpace for LEO satellite constellations, where the proposed solution will be
evaluated based on realistic simulations, assessing communication efficiency, convergence
speed and scalability. Ultimately, by overcoming existing limitations, this research will
contribute to the advance of FL-based applications in LEO environments.
A crescente expansão de constelações de satélites de baixa órbita terrestre (LEO) tem impulsionado novas oportunidades para a aplicação de Machine Learning (ML) em desafios globais críticos, como a gestão de desastres, a monitorização ambiental e a melhoria das comunicações. No entanto, as abordagens tradicionais de ML centralizado revelam-se impraticáveis neste contexto, devido às limitações de largura de banda e à conectividade intermitente entre satélites e estações terrestres. Federated Learning (FL), um paradigma de ML distribuído, permite que várias entidades treinem modelos colaborativamente, mantendo os dados brutos localmente. Entre os vários paradigmas de FL, destaca-se Vertical Federated Learning (VFL), no qual diferentes participantes detêm características complementares de amostras de dados partilhadas, sendo uma abordagem particularmente adequada para sistemas LEO, onde diferentes satélites recolhem distintos tipos de dados. Apesar do seu potencial, VFL enfrenta alguns desafios relacionados com a comunica- ção, dificultando a convergência eficiente dos modelos em redes de satélites. Para abordar este problema, propõe-se um novo framework de VFL eficiente em termos de comuni- cação, inspirado em duas metodologias recentemente desenvolvidas. Para minimizar a sobrecarga de comunicação, garantindo simultaneamente a convergência, Error Feedback compressed Vertical Federated Learning (EFVFL) adota técnicas de compressão de erro, enquanto o framework FedSpace, que opera num contexto de FL horizontal—onde diferen- tes participantes partilham o mesmo conjunto de características, mas possuem amostras de dados distintas—agenda dinamicamente a agregação de modelos, tirando partido dos padrões determinísticos de conectividade dos satélites para mitigar problemas de idleness e staleness dos modelos. Esta tese tem como objetivo desenvolver e validar um framework unificado que apro- veite as ideias de EFVFL e de FedSpace para constelações de satélites LEO. A solução proposta será avaliada através de simulações realistas, analisando a eficiência de comuni- cação, a velocidade de convergência e a escalabilidade. Em última análise, ao superar as limitações existentes, esta investigação contribuirá para o avanço de aplicações de FL em ambientes espaciais LEO.
A crescente expansão de constelações de satélites de baixa órbita terrestre (LEO) tem impulsionado novas oportunidades para a aplicação de Machine Learning (ML) em desafios globais críticos, como a gestão de desastres, a monitorização ambiental e a melhoria das comunicações. No entanto, as abordagens tradicionais de ML centralizado revelam-se impraticáveis neste contexto, devido às limitações de largura de banda e à conectividade intermitente entre satélites e estações terrestres. Federated Learning (FL), um paradigma de ML distribuído, permite que várias entidades treinem modelos colaborativamente, mantendo os dados brutos localmente. Entre os vários paradigmas de FL, destaca-se Vertical Federated Learning (VFL), no qual diferentes participantes detêm características complementares de amostras de dados partilhadas, sendo uma abordagem particularmente adequada para sistemas LEO, onde diferentes satélites recolhem distintos tipos de dados. Apesar do seu potencial, VFL enfrenta alguns desafios relacionados com a comunica- ção, dificultando a convergência eficiente dos modelos em redes de satélites. Para abordar este problema, propõe-se um novo framework de VFL eficiente em termos de comuni- cação, inspirado em duas metodologias recentemente desenvolvidas. Para minimizar a sobrecarga de comunicação, garantindo simultaneamente a convergência, Error Feedback compressed Vertical Federated Learning (EFVFL) adota técnicas de compressão de erro, enquanto o framework FedSpace, que opera num contexto de FL horizontal—onde diferen- tes participantes partilham o mesmo conjunto de características, mas possuem amostras de dados distintas—agenda dinamicamente a agregação de modelos, tirando partido dos padrões determinísticos de conectividade dos satélites para mitigar problemas de idleness e staleness dos modelos. Esta tese tem como objetivo desenvolver e validar um framework unificado que apro- veite as ideias de EFVFL e de FedSpace para constelações de satélites LEO. A solução proposta será avaliada através de simulações realistas, analisando a eficiência de comuni- cação, a velocidade de convergência e a escalabilidade. Em última análise, ao superar as limitações existentes, esta investigação contribuirá para o avanço de aplicações de FL em ambientes espaciais LEO.
Descrição
Palavras-chave
Low Earth Orbit satellites Vertical Federated Learning Federated Learning Communication efficiency Space-based machine learning