LEO卫星加速边缘智能：联邦学习中的模型迁移与相似性感知初始化技术

《IEEE Internet of Things Magazine》：LEO Satellites Accelerating Edge Intelligence: Model Transfer and Similarity-Aware Initialization for Federated Learning

　　

摘要：

6G网络的愿景是通过将大规模分布式智能与联邦学习以及物联网相结合，实现一个全面连接且智能化的世界。然而，在资源受限的物联网环境中，传统的联邦学习面临着诸多挑战，包括训练过程中收敛速度慢以及通信开销高。这些挑战再加上物联网子系统严格的服务要求，凸显出需要更高效的联邦学习机制。低地球轨道卫星凭借其全球覆盖能力和内置的边缘计算功能，为支持大规模分布式智能解决方案提供了良好的平台。在本研究中，我们提出了一种基于多层非地面网络的新型联邦学习框架，用以支撑智能物联网应用。该框架利用低地球轨道卫星辅助的模型搜索、模型迁移以及基于相似性的联邦学习初始化方法，从而加快学习速度并降低通信成本。我们还分析了通过低地球轨道卫星网络进行模型搜索和迁移所带来的开销与联邦学习收敛性能提升之间的权衡关系。性能评估结果显示，即便仅依靠有限的卫星辅助搜索，也能将收敛延迟缩短近一半，这充分体现了低地球轨道卫星辅助模型搜索、模型迁移以及基于相似性的联邦学习初始化方法的重要性。这些结果表明，借助卫星技术的联邦学习有望成为构建可扩展、智能化且全球互联的6G物联网生态系统的关键技术。