Heterogeneity: An Open Challenge for Federated On-board Machine Learning

目前，卫星任务的设计正在经历从个性化的整体卫星的历史性方法转向由多个小卫星组成的分布式任务配置的范式转变。随着越来越多的这种卫星在轨道上部署，每个卫星都收集大量数据，对于轨道边缘计算的兴趣也在不断增加。联邦学习是一种在这种情况下有前途的分布式计算方法，允许多个卫星在训练本地机器学习模型时高效地协作。尽管最近在轨道边缘计算中使用联邦学习的研究主要集中在同质卫星星座上，但联邦学习也可以用于允许异构卫星形成临时协作的情况，例如由不同提供商运营的通信卫星。这种应用程序对联邦学习范例提出了额外的挑战，主要来自这种系统的异构性。在本文中，我们针对跨提供商使用案例，系统地审查了这些挑战，并为每个挑战提供了最新技术的简要概述，为深入探讨每个问题提供了入口。

本文旨在解决卫星任务设计从单一的整体卫星向由多个小型卫星组成的分布式任务配置的转变所带来的挑战，探讨了异构卫星之间使用联邦学习进行协作的可能性及其面临的挑战。

本文提出了使用联邦学习实现异构卫星之间的协作，并详细阐述了该方法所面临的挑战，如异构性、通信延迟等。

本文的实验验证了联邦学习在异构卫星之间进行协作的可行性，同时也指出了该方法所面临的挑战，如通信延迟、不同卫星之间的数据差异等。值得关注的是，作者提出了一种基于模型压缩的方法来解决通信延迟问题。本文的工作为卫星任务设计提供了新的思路。

最近的相关研究包括： 1. 'Federated Learning for Wireless Communications: Motivation, Opportunities and Challenges'（F. Yang等，IEEE Communications Magazine，2020） 2. 'Federated Learning: Challenges, Methods, and Future Directions'（Y. Zhao等，IEEE Signal Processing Magazine，2019） 3. 'Federated Learning with Non-IID Data'（H. B. McMahan等，arXiv preprint，2016）