Kommunikationseffiziente föderierte Optimierung in deterministischen räumlich-zeitlichen Netzen

Eine schnell wachsende Zahl von Satelliten umkreist die Erde und sammelt riesige Mengen an Daten. Diese Daten können auf drei Arten genutzt werden: zum Trainieren eines Modells für maschinelles Lernen (ML), zur Durchführung maschineller Inferenz oder zum Speichern für einen späteren Abruf. Dieses Projekt ist durch den ersten Anwendungsfall motiviert, bei dem ein ML-Modell gemeinsam aus verteilten Daten innerhalb einer Satellitenkonstellation trainiert wird. Satelliten bewegen sich in deterministischen Umlaufbahnen und haben, insbesondere in niedrigen Erdumlaufbahnen, sehr kurze Kontaktzeiten zu Bodenstationen, gefolgt von einer langen Offline- Periode. Dies führt zu vorhersagbaren Konnektivitätsmustern, die möglicherweise nicht mit den Annahmen der meisten verteilten ML-Algorithmen übereinstimmen. Abhängig von den Kommunikationsfähigkeiten der Satelliten, d.h. ob und inwieweit sie über Intersatellitenfunk verfügen, führt der Einsatz von verteilten ML-Algorithmen entweder zu enormen Verzögerungen zwischen den Trainingsiterationen oder erfordert effiziente, speziell auf dieses Kommunikationsszenario ausgerichtete, Multi-Hop-Kommunikationstechniken. Das Ziel dieses Projekts ist die Durchführung einer grundlegenden Studie zur Anwendung von verteiltem ML in Multi-Hop-Netzwerken mit deterministischer räumlich-zeitlicher Struktur. Das zugrundeliegende mathematische Modell und die entwickelten Techniken sind jedoch auch für verschiedene Arten von mobilen Ad-hoc- und Sensornetzen relevant. Durch die Ausnutzung der einzigartigen Eigenschaften dieses ML-Szenarios und die Entwicklung maßgeschneiderter Algorithmen erwarten wir eine erhebliche Reduzierung der Kommunikationskosten, des Energieverbrauchs und der Trainingszeit im Vergleich zur direkten Anwendung bestehender Verfahren. Darüber hinaus werden wir durch die Betrachtung verschiedener Szenarien ein Verständnis für die Auswirkungen von Änderungen an den Kommunikationsfähigkeiten des Systems gewinnen.