Federated Learning in NTNs: Design, Architecture and Challenges
作者: Amin Farajzadeh, Animesh Yadav, Halim Yanikomeroglu
发布时间: 2025-03-11
来源: arxiv
研究方向: 非地面网络（NTN）与联邦学习（FL）的结合与应用
主要内容
本文研究将联邦学习应用于非地面网络（NTN）中，提出了一种分布式分层联邦学习（HFL）框架，利用高空平台站（HAPS）星座作为中间分布式FL服务器，以实现低延迟、高精度、可扩展的全球规模学习。
主要贡献
1. 提出了一种利用HAPS星座的分布式分层联邦学习（HFL）框架。
2. 实现了低延迟、高精度、可扩展的全球规模学习。
3. 提高了隐私性，通过HAPS星座实现FL机制的去中心化。
4. 通过使用MEO和GEO卫星，增加了FL系统的可扩展性。
5. 利用FL数据优化NTN架构。
6. 通过仿真实验验证了框架的有效性，提高了模型精度，减少了训练损失，并实现了有效的延迟管理。
研究方法
1. 分布式分层联邦学习（HFL）
2. 高空平台站（HAPS）星座
3. 模型聚合
4. 资源分配和调度
5. 仿真实验
实验结果
仿真实验结果表明，与基线框架相比，所提出的分布式HFL框架在模型精度、训练损失和延迟方面均表现出优越性。
未来工作
未来研究将集中在解决HAPS作为FL服务器的局限性、提高FSO传输的调度效率、优化HAPS星座设计、减少通信开销、协调和同步、FL辅助的集成感知与通信（ISAC）等方面。