ترجمه فارسی مقاله یادگیری فدرال ارکستر در شبکه های یکپارچه فضایی-زمین: بارگیری داده های تطبیقی ​​و انتقال یکپارچه

چکیده

Devices located in remote regions often lack coverage from well-developed terrestrial communication infrastructure. This not only prevents them from experiencing high quality communication services but also hinders the delivery of machine learning services in remote regions. In this paper, we propose a new federated learning (FL) methodology tailored to space-air-ground integrated networks (SAGINs) to tackle this issue. Our approach strategically leverages the nodes within space and air layers as both (i) edge computing units and (ii) model aggregators during the FL process, addressing the challenges that arise from the limited computation powers of ground devices and the absence of terrestrial base stations in the target region. The key idea behind our methodology is the adaptive data offloading and handover procedures that incorporate various network dynamics in SAGINs, including the mobility, heterogeneous computation powers, and inconsistent coverage times of incoming satellites. We analyze the latency of our scheme and develop an adaptive data offloading optimizer, and also characterize the theoretical convergence bound of our proposed algorithm. Experimental results confirm the advantage of our SAGIN-assisted FL methodology in terms of training time and test accuracy compared with various baselines.

چکیده به فارسی (ترجمه ماشینی)

دستگاه های واقع در مناطق از راه دور اغلب فاقد پوشش زیرساخت های ارتباطی زمینی به خوبی توسعه یافته هستند.این امر نه تنها مانع از تجربه خدمات ارتباطی با کیفیت بالا می شود بلکه مانع از ارائه خدمات یادگیری ماشین در مناطق از راه دور می شود.در این مقاله ، ما یک روش جدید یادگیری فدراسیون (FL) متناسب با شبکه های یکپارچه فضایی-Air-Ground (SAGINS) را برای مقابله با این مسئله پیشنهاد می کنیم.رویکرد ما از نظر استراتژیک گره های موجود در فضا و لایه های هوا را به عنوان هر دو واحد محاسبات لبه و (ب) مدل های مدل در طی فرآیند FL به کار می برد و به چالش هایی که از قدرت محاسبات محدود دستگاه های زمینی و عدم وجود ایستگاه های پایه زمینی ناشی می شود ، پرداخته است.در منطقه هدفایده اصلی در مورد روش شناسی ما ، روشهای بارگیری و انتقال داده های سازگار است که شامل پویایی های مختلف شبکه در ساژین ها ، از جمله تحرک ، قدرت محاسبات ناهمگن و زمان پوشش متناقض ماهواره های ورودی است.ما تأخیر طرح خود را تجزیه و تحلیل می کنیم و یک بهینه ساز بارگذاری داده های سازگار را توسعه می دهیم ، و همچنین مرز همگرایی نظری الگوریتم پیشنهادی ما را توصیف می کنیم.نتایج تجربی مزیت روش FL به کمک ساژین ما را از نظر زمان آموزش و دقت آزمایش در مقایسه با خطوط مختلف تأیید می کند.