[논문 리뷰] Decentralised Semi-supervised Onboard Learning for Scene Classification in Low-Earth Orbit

Johan Östman, Pablo Gómez외 2명|arXiv (Cornell University)|2023. 05. 06.

Satellite Communication Systems인용 수 8

한 줄 요약

논문은 PASEOS로 모델링된 운용 제약 하에 위성 군집에서 장비 내 분산 및 연합 반감 지도학습(세미-수퍼바이즈드)으로 장면 분류를 구현했으며, EuroSAT에서 약 91% 정확도를 24시간 이내에 달성한다.

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.

연구 동기 및 목표

• 위성 군집에서 전력, 온도, 통신 제약 하에 장면 분류 모델을 보드온에서 학습하는 것을 조사한다.
• 제한된 라벨 데이터로 세미-감귄 학습을 위한 분산형 및 연합 MSMatch 접근법을 평가한다.
• 다양한 통신 아키텍처에서 데이터 전송, 에너지, 성능의 트레이드오프를 정량화한다.
• 현실적인 임무 시뮬레이션을 사용하여 현재 위성 프로세서로의 보드온 학습 가능성을 평가한다.

제안 방법

• 강력/약한 데이터 증강과 의사레이블링이 포함된 MSMatch 세미-감귄 학습을 사용한다.
• 전력, 열, 통신 창을 시뮬레이션하기 위해 PASEOS로 운용 제약을 모델링한다.
• 비동기 모델 교환을 위한 MPI를 사용하여 분산 학습에 MSMatch를 적용한다.
• Sentinel 유사 궤도에서 세 가지 통신 설정(Ground Station, Swarm, Relay)을 평가한다.
• 시뮬레이션된 24시간 운용 동안 정확도, 전송 데이터, 전력 소모를 측정한다.

실험 결과

연구 질문

• RQ1 MSMatch 기반 세미-감귄 학습을 분산된 보드온 설정에서 효과적으로 학습할 수 있는가?
• RQ2 다른 위성 간 통신 아키텍처가 수렴, 정확도 및 자원 사용에 어떤 영향을 미치는가?
• RQ3 현실적 제약 하에서 위성 간 비라벨 데이터 분배 시 데이터 및 전력 트레이드오프는 무엇인가?
• RQ4 유사한 데이터 규범에서 중앙 집중식 MSMatch와 비교하여 보드온 학습이 비슷한 성능을 달성할 수 있는가?

주요 결과

설정	정확도 [%]	전송 데이터 [MB]	전력 소모 [Wh]	훈련 시간 [% 총합]	통신 시간 [% 총합]	통신 간 시간 [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

• 모든 시나리오는 시뮬레이션 학습 24시간 이내에 top-1 정확도가 91%를 초과한다.
• Ground Station 설정은 전달 데이터가 가장 적은 185.74 MB와 세 가지 설정 중 가장 낮은 데이터 교환으로 91.51%의 정확도를 얻는다.
• Swarm 설정은 가장 높은 데이터 교환(1168.40 MB)과 가장 빠른 로컬 수렴을 제공하지만 가장 통신 집약적이다.
• Relay 설정은 중간 수준의 데이터 전송(455.61 MB)과 총 통신 시간이 적당한 91.19%의 정확도를 달성한다.
• 더 큰 라벨 집합은 SWARM의 성능을 향상시켜 클래스당 100 라벨에서 top-1 정확도 96.2%에 도달한다.
• 분산 MSMatch의 성능은 유사한 데이터 규범에서 중앙 집중식 MSMatch와 경쟁력이 있다.