在空间人工智能的雄心勃勃的领域中，通过联邦学习 (federated learning) 与低轨道卫星星座 (low Earth orbit satellite constellations) 的集成具有巨大的潜力。本文提出了一种新颖的 FL-SEC 框架，使低轨道卫星能够在机载上高效地执行大规模机器学习任务。通过个性化学习和轨道模型再训练等核心组件，该框架有效地减少了联邦学习收敛时间近 30 倍，并将卫星能耗降低到仅为 1.38 瓦特，同时保持高达 96% 的准确度。

Jan, 2024

FedSecure 是一种用于低地球轨道（LEO）星座的安全联邦学习方法，它采用分布式密钥生成和轨道上的模型转发与聚合两个组件，以保护卫星数据的隐私并减少收敛延迟。

Sep, 2023

通过提出 FedSN 作为一个通用的联邦学习框架来解决低地球轨道卫星上的异构计算和内存能力、有限的上行速率和模型陈旧等问题，实现了更高的准确性、较低的计算和通信开销。

Nov, 2023

本研究提出一种基于联邦学习的框架，可解决低地球轨道卫星数据传输受限、稀疏连接、图像分辨率限制等挑战，通过地面站和卫星协同训练模型实现全球机器学习。实测结果表明，该框架可比现有算法减少 38.6% 的训练时间。

Feb, 2022

本文提出了一种新颖的 LEO 卫星一次通信轮方式的 FL 方法 --LEOShot，通过三个步骤：合成数据生成，知识蒸馏，虚拟模型重训练，以及与现有方法相比的评估和基准测试，结果显示 LEOShot 大大加快了 FL 的收敛速度，并且在精度上与常规的迭代 FL 方案相当甚至有很大优势。

May, 2023

本文提出了基于联邦学习（FL）的新算法，包括一种基于 FedAvg 的新型异步 FL 过程，对 MNIST 和 CIFAR-10 数据集进行的广泛数字评估表明，该方法具有快速收敛速度和优异的渐进测试准确性，可用于解决卫星成像的推理等问题。

Sep, 2021

本文提出了一种基于联邦学习的星座内数据处理方案，通过利用轨道间通信、卫星轨道预测以及部分聚合等技术，在星座内实现海量数据的高效训练和通信传输。在此方案的基础上，对于 40 颗卫星分布在 5 个低地球轨道上，以及参数服务器在中地球轨道上的星座，相比于基线，训练时间加速 29 倍，参数服务器上的通信传输量减少了 8 倍。

Nov, 2021

小型卫星的超级星座已经演变成大量珍贵数据的来源。为了高效管理这些数据，本文介绍了一种适用于通过星间链路连接的卫星星座的机载联邦学习调度方案。该方案利用卫星与地面站之间的可预测可见性模式，既在个体卫星级别上，也在整个轨道上累积地，以减轻间歇性连通性问题，并充分利用可用时间。为此，使用了两个不同的调度器：一个用于协调轨道之间的联邦学习过程，另一个用于控制各个轨道内部的过程。这两个调度器合作确定在地面站进行全局更新的适当时机，然后根据直到下次全局更新的可用时间，为每个轨道内的卫星分配适当的时间段进行本地训练。这个方案可以在更短的时间内提高测试准确性。

Feb, 2024

本文针对低地球轨道卫星测控网提出了分布式参数服务器以及高空平台通信算法，这既大大加快了联合学习训练时间，又提高了模型精度。

May, 2022

这篇论文介绍了一种名为 FEDMEGA 的针对低地球轨道卫星网络的新型 FEEL 算法，通过整合卫星间链接和全网模型聚合方案，提高了传输效率，实现了大约 30% 的收敛速度提升。

Apr, 2024