네트워크 커버리지 지도는 계속해서 확장되고 있으나, 원격 지역에 위치한 많은 장치들은 지상 통신 인프라에 연결되지 못해 관련 데이터 기반 서비스에 접근하지 못하고 있다. 본 논문에서는 원격 지역에서의 머신러닝 서비스 관리를 가능하게 하기 위한 지상-위성 협력 연합 학습(Federated Learning, FL) 방법론을 제안한다. 우리의 방법론은 연합 학습 동안 위성 군집을 조율하여 다음의 핵심 기능을 수행한다: (i) 지상 장치에서 오프로드된 데이터를 처리하고, (ii) 장치 클러스터 내에서 모델을 집계하며, (iii) 위성 간 링크(Inter-Satellite Links, ISLs)를 통해 다른 위성으로 모델/데이터를 전달한다. 특정 원격 지역에 대한 각 위성의 커버리지 시간이 제한되어 있기 때문에, ISL을 통해 이웃 위성으로 훈련된 모델과 획득한 데이터를 전송할 수 있도록 하여, 유입되는 위성이 해당 지역에 대해 연합 학습을 계속 수행할 수 있게 한다. 우리는 알고리즘의 수렴 거동을 이론적으로 분석하고, 위성별 네트워크 자원을 포함하여 위성으로의 지상 장치 데이터 오프로드량과 위성의 연산 속도를 최적화하는 훈련 지연(latency) 최소화기를 개발한다. 세 가지 데이터셋에 대한 실험을 통해, 우리의 방법론이 지상 전용 및 기타 위성 기반 기준 접근법에 비해 연합 학습의 수렴을 유의미하게 가속할 수 있음을 보인다.