arXiv cs.AI· Sai Puppala, Bhabani P. Sinha, Koushik Sinha·· 3 天前AI 评分20
基于 FractalNet 的异构联邦学习：面向卫星巨型星座轨道边缘智能的野火检测案例研究
FractalNet-Based Heterogeneous Federated Learning for Orbital Edge Intelligence in Satellite Mega-Constellations: A Wildfire Case Study
AI 导读
研究提出一种基于 FractalNet 架构的异构联邦学习方法，用于卫星巨型星座的轨道边缘智能，形式化了受接触窗口约束、深度异构的联邦优化问题，并引入按 SWAP-C 约束、星间接触预测和训练统计分配模型深度的分布式路径调度器。
正文 · AI 翻译
摘要：卫星巨型星座正逐渐成为大规模的感知、通信与计算网络，然而其学习架构在很大程度上仍沿用地面联邦学习和以地面为中心的任务操作——这并不适合在尺寸、重量、功耗与成本（SWAP-C）、抗辐射能力、链路可用性和传播延迟方面相差数个数量级的卫星。我们提出了一种基于 FractalNet 架构的异构联邦学习方法，用于轨道边缘智能。我们将受接触窗口约束、深度异构的联邦优化形式化，并引入一种分布式路径调度器，根据 SWAP-C 约束、预测的星间接触和训练统计来分配模型深度。为降低消息开销和能耗，每一层定期汇聚更新，而非在每个接触机会都进行汇聚，并且一个三层智能体控制平面负责管理太空内调度、异常上报和策略治理的自主性。作为案例研究，我们将该框架应用于野火检测，其中每个轨道壳层自然学习不同语义级别的态势感知：低地球轨道（LEO）的像素级热异常、中地球轨道（MEO）的区域火线动态，以及地球静止轨道或高地球轨道（GEO/HEO）的更大尺度风险传播。在模拟巨型星座上的实验从收敛性、通信效率、能量适应性、调度汇聚节省、鲁棒性和延迟方面验证了该方法。
| 主题： | 人工智能（cs.AI）；分布式、并行与集群计算（cs.DC）；新兴技术（cs.ET）；机器学习（cs.LG） |
| 引用为： | arXiv:2609.00875 [cs.AI] |
| （或 arXiv:2609.00875v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.00875 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Koushik Sinha [查看电子邮件]
[v1]
2026年9月1日星期二 08:07:39 UTC（2,510 KB）
[v2]
2026年10月11日星期日 22:26:10 UTC（2,510 KB）
来源：arXiv cs.AI · arxiv.org