Federated Learning auf LEO‑Satelliten: 41 % schnellere Trainingszeiten

In den letzten Jahren haben sich Low‑Earth‑Orbit‑Satelliten zu unverzichtbaren Plattformen für die schnelle und flächendeckende Datenübertragung entwickelt. Diese Technologie ermöglicht es, KI‑Modelle über geografisch verteilte Standorte hinweg gemeinsam zu trainieren – ohne dass sensible Rohdaten zentral gesammelt werden müssen. Das ist besonders wichtig, wenn Datenschutzgesetze und regulatorische Vorgaben die zentrale Aggregation von Daten verhindern.

Federated Learning bietet hier eine datenschutzfreundliche Lösung: Jeder Satelliten-Client trainiert lokal ein Modell und sendet lediglich die Modellparameter an die zentrale Koordination. Doch die dynamische Topologie und die begrenzte Bandbreite der Satellitenkommunikation erschweren die rechtzeitige Aggregation und Verteilung dieser Parameter, was die Trainingszeiten erheblich verlängert.

Um dieses Problem zu lösen, haben die Forscher ein diskretes, zeitbasiertes Graph‑Scheduling‑Framework entwickelt. Dieses weist Kommunikationsressourcen on‑demand zu und beschleunigt so die Federated‑Learning‑Runden. Simulationen zeigen, dass die neue Methode die Gesamtdauer jeder Trainingsrunde um 14,20 % bis 41,48 % reduziert – ein deutliches Plus, besonders bei größeren Modellen und mehr Clients.

Die Ergebnisse unterstreichen die Skalierbarkeit des Ansatzes und eröffnen neue Möglichkeiten für die effiziente Nutzung von LEO‑Satelliten im Bereich des kollaborativen KI‑Trainings, ohne dabei die Privatsphäre der Nutzer zu gefährden.