[論文レビュー] Decentralised Semi-supervised Onboard Learning for Scene Classification in Low-Earth Orbit

Johan Östman, Pablo Gómez+2 more|arXiv (Cornell University)|May 6, 2023

Satellite Communication Systems被引用数 8

ひとこと要約

この論文は、衛星星座における場の分類のための分散型およびフェデレーテッドな半教師付き onboard 学習を実証しており、PASEOS によってモデル化された運用制約の下で EuroSAT に対して約 91% の精度を 24 時間程度で達成します。

ABSTRACT

Onboard machine learning on the latest satellite hardware offers the potential for significant savings in communication and operational costs. We showcase the training of a machine learning model on a satellite constellation for scene classification using semi-supervised learning while accounting for operational constraints such as temperature and limited power budgets based on satellite processor benchmarks of the neural network. We evaluate mission scenarios employing both decentralised and federated learning approaches. All scenarios achieve convergence to high accuracy (around 91% on EuroSAT RGB dataset) within a one-day mission timeframe.

研究の動機と目的

• 衛星星座上での電力・温度・通信制約の下で場の分類モデルの訓練を調査する。
• ラベル付きデータが限られた半教師付き学習に対する分散型およびフェデレーテッド MSMatch アプローチを評価する。
• 異なる通信アーキテクチャ間で性能、データ伝送、エネルギーのトレードオフを定量化する。
• 現実的なミッションシミュレーションを用いた現行衛星プロセッサでのオンボード訓練の実現可能性を評価する。

提案手法

• 強力および弱いデータ拡張と疑似ラベル付けを用いた MSMatch 半教師付き学習を適用する。
• PASEOS で電力・熱・通信ウィンドウを模擬し運用制約をモデル化する。
• 非同期モデル交換の MPI を用いて分散訓練に MSMatch を適応させる。
• センサー衛星に近い Sentinel 的軌道で三つの通信設定（Ground Station、Swarm、Relay）を評価する。
• simulated operation の 24 時間にわたり精度、伝送データ量、電力消費を測定する。

実験結果

リサーチクエスチョン

• RQ1 MSMatch ベースの半教師付き学習を分散オンボード環境で効果的に訓練できるか。
• RQ2 異なる惑星間通信アーキテクチャが収束性・精度・資源使用にどのように影響するか。
• RQ3 現実的な制約下で衛星間に無ラベルデータを分散させる際のデータと電力のトレードオフは何か。
• RQ4 同様のデータレジーム下でオンボード訓練が集中化 MSMatch と同等の性能を達成できるか。

主な発見

Setup	Accuracy [%]	Transmitted Data [MB]	Power Consumption [Wh]	Time Training [% of total]	Time Communicating [% of total]	time between communications [s]
GROUND STATION	91.51 ±0.95	185.74	447.58	54.25	1.71	5913.6
SWARM	90.96±1.34	1168.40	449.36	53.76	3.34	1878.4
RELAY	91.19±0.76	455.61	449.37	54.45	1.32	2349.3

• すべてのシナリオで simulated training の 24 時間以内にトップ1 精度が 91% を超えた。
• Ground Station 設定は最も伝送データ量が少ない 185.74 MB で 91.51% の精度を達成し、三つの設定の中でデータ交換量が最も少ない。
• Swarm 設定は最も多くのデータ交換量（1168.40 MB）を生み出し、局所収束が最も速いが通信量が最も多い。
• Relay 設定は中間のデータ伝送量 455.61 MB で 91.19% の精度を達成し、総通信時間は比較的少ない。
• ラベル付きデータが多いほど Swarm の性能が改善され、クラスごとに 100 ラベルでトップ1 精度が 96.2% に達する。
• 分散 MSMatch の性能は、比較可能なデータレジームを前提とすれば中央集権型 MSMatch と競合する。