Исследователи представили FedOrbit — новый метод федеративного обучения, оптимизированный для работы в условиях спутниковых группировок на низкой околоземной орбите (LEO). Алгоритм решает проблему неоднородности данных (non-IID) и нестабильной связи с наземными станциями, возникающих из-за орбитальной геометрии, обеспечивая баланс между глобальной агрегацией знаний и локальной персонализацией моделей для каждого спутника.
Традиционные подходы к федеративному обучению часто показывают низкую эффективность в космосе, так как распределение данных на разных орбитах может быть сильно разобщенным. FedOrbit использует адаптивный механизм, который динамически корректирует степень персонализации в зависимости от того, насколько сильно пересекаются распределения данных между узлами. Это позволяет поддерживать высокую точность моделей даже при ограниченных окнах видимости наземных станций.
Метод учитывает специфику орбитальной динамики, где доступность данных напрямую зависит от траектории движения спутника. За счет интеграции непрерывного обучения и адаптивной настройки весов, система минимизирует потери при передаче обновлений в условиях высокой задержки и нестабильного соединения, что критически важно для развертывания интеллектуальных систем обработки данных непосредственно на борту космических аппаратов.
Ключевые факты
- FedOrbit разработан для решения проблем non-IID данных, вызванных орбитальной геометрией спутников LEO.
- Алгоритм автоматически регулирует баланс между глобальной моделью и локальной адаптацией в зависимости от схожести данных на разных орбитах.
- Метод эффективно работает в условиях прерывистой связи с наземными станциями, характерной для космических сетей.
- Решение снижает необходимость в частой передаче больших объемов данных на Землю, оптимизируя использование бортовых вычислительных ресурсов.