DFedSat: Communication-Efficient and Robust Decentralized Federated Learning for LEO Satellite Constellations

低地球轨道（LEO）卫星在6G移动网络和空中地面一体化系统的发展中发挥着至关重要的作用。最近，空间技术的进步使得LEO卫星具备了运行人工智能应用的能力。然而，集中式方法，其中地面站（GS）充当服务器，卫星充当客户端，由于卫星与地面站之间的间歇性连接而经常遇到收敛缓慢和效率低下的问题。相反，分散式联邦学习（DFL）通过促进卫星（客户端）之间的直接通信，通过卫星间链路（ISLs）提供了一种有前途的替代方案。然而，连接来自不同轨道平面的卫星的平面间ISLs由于多普勒移位和指向限制而是动态的。这可能会影响模型传播并导致收敛速度变慢。为了缓解这些问题，我们提出了DFedSat，这是一个专为LEO卫星量身定制的完全分散的联邦学习框架。DFedSat通过分别采用两种自适应机制来加速训练过程，用于平面内和平面间模型聚合。此外，还集成了自我补偿机制，以增强平面间ISLs对传输故障的鲁棒性。此外，我们推导了DFedSat的非凸情况下的次线性收敛率。广泛的实验结果表明，与其他DFL基线相比，DFedSat在收敛速度、通信效率和对不可靠链路的韧性方面具有优越性。

论文旨在解决分布式联邦学习中低地球轨道卫星间不稳定连接和动态ISLs带来的模型传播问题，提出了一种适用于LEO卫星的完全去中心化联邦学习框架。

DFedSat采用了两种自适应机制来加速训练过程，分别是面内和面间模型聚合，并集成了自我补偿机制来增强面间ISLs的鲁棒性。

DFedSat在收敛速度、通信效率和对不可靠连接的鲁棒性等方面优于其他DFL基线。实验使用了哪些数据集和开源代码没有提及。

与本文相关的研究包括分布式联邦学习、低地球轨道卫星通信和动态ISLs等方面的研究。