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

利用卫星集群上的半监督学习，以温度和有限的电源预算为基础，对神经网络进行基准测试，我们展示了在最新卫星硬件上进行机器学习模型的训练，以节省通信和操作成本，同时评估了采用分散和联邦学习方法的任务场景，并在一天的任务时间内，实现了高精度（欧洲卫星 RGB 数据集约为 91％）的收敛。

May, 2023

本文介绍了 FedLEO，一种应用于卫星边缘计算的联邦学习框架，可以快速收敛且不牺牲模型准确度，并优化了通信调度策略。

Feb, 2023

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

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

基于神经压缩学习的神经嵌入压缩技术（NEC）通过将压缩的嵌入向量传输给数据使用者而不是原始数据，以降低地球观测数据模型训练和推理的转移和存储成本。通过学习神经压缩技术，我们实现了多任务嵌入向量的生成，并在压缩率和嵌入向量效用之间寻找平衡。我们在场景分类和语义分割两个地球观测任务上评估了 NEC，与对原始数据应用传统压缩相比，NEC 在大幅减少数据量（75% 至 90%）的同时保持了相似的准确性。即使在 99.7% 的压缩情况下，场景分类任务的性能仅下降了 5%。总体而言，NEC 是一种高效的多任务地球观测建模方法。

Mar, 2024

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

地球观测、数据压缩、深度学习、量化神经网络、低精度浮点运算

Nov, 2023

本论文探讨了在移动设备和云端之间进行特征数据通讯的 “协作智能” 范式，研究了损失压缩特征数据对协作物体检测准确性的影响，并提出了一种策略来提高其在损失特征压缩下的准确性。实验结果表明，采用该策略，通信开销可以降低 70％而不会牺牲准确性。

Feb, 2018

本文介绍了一种名为 CECIL 的云端协同学习算法，利用深度神经网络优化 Fog 无线接入网络（FRAN）中的云端和边缘计算，以及前传接口。通过将云和边缘计算纳入联合优化框架，以及使用中央计算和分布式决策，并使用上下行前传协调来实现端到端的训练和去中心化的实时推断。

Mar, 2021