원격 지역에 위치한 장치는 잘 발달된 지상 통신 인프라의 커버리지를 종종 받지 못한다. 이는 해당 장치가 고품질 통신 서비스를 경험하지 못하게 할 뿐 아니라 원격 지역에서의 기계학습 서비스 제공 또한 방해한다. 본 논문에서는 이러한 문제를 해결하기 위해 우주-공중-지상 통합 네트워크(SAGINs)를 대상으로 하는 새로운 연합 학습(FL) 방법론을 제안한다. 우리의 접근법은 연합 학습 과정에서 우주 및 공중 계층의 노드를 전략적으로 1) 에지 컴퓨팅 단위이자 2) 모델 집계자로 활용하며, 이는 지상 장치의 제한된 연산 능력과 목표 지역에서의 지상 기지국 부재로 인해 발생하는 문제를 해결한다. 본 방법론의 핵심 아이디어는 이동성, 이질적인 연산 능력, 그리고 유입 위성의 커버리지 시간 불일치 등 SAGINs의 다양한 네트워크 동학을 반영하는 적응적 데이터 오프로딩 및 핸드오버 절차에 있다. 우리는 제안한 기법의 지연(latency)을 분석하고, 적응적 데이터 오프로딩 최적화기를 개발하며, 또한 제안 알고리즘의 이론적 수렴 상한(bound)을 규명한다. 실험 결과는 다양한 기준 방법들과 비교할 때, 학습 시간과 테스트 정확도 측면에서 SAGIN 지원 연합 학습 방법론의 우수성을 확인해 준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.