FractalNet异构联邦学习框架用于轨道边缘智能

研究者 Sai Puppala、Bhabani P. Sinha 与 Koushik Sinha 提交论文预印本，提出一种基于 FractalNet 架构的异构联邦学习方法，用于卫星巨型星座的在轨边缘智能，并以野火检测为应用案例。 该方法把问题形式化为受接触窗口约束、深度异构的联邦优化问题，引入分布式路径调度器，按 SWAP-C 约束、星间接触预测与训练统计分配模型深度，各层级周期性池化更新以降低通信与能耗，另设三层智能体控制平面管理在轨调度与异常升级。 上述为论文提出的方法与案例，通信与能耗降低等效果为该方法的声称目标，尚未见独立验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。