MLFCIL：LEO衛星における連合クラス増分学習のための多段階忘却抑制フレームワーク

arXiv cs.LG / 2026/4/6

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、LEO衛星のオンボード計算における連合クラス増分学習（federated class-incremental learning）を扱う。ここでは、新しいクラスが時間とともに到来する一方で、厳しいメモリ制約と通信制約のもとで学習する必要がある。
LEOに特有の3つの課題――軌道力学に起因する非IIDなデータ不均一性、集約中に増幅される壊滅的忘却（catastrophic forgetting）、および安定性–可塑性のトレードオフが制約されること――を特定し、これらがFCILパイプラインの異なる段階／レベルで生じると論じる。
それらに対し、クラス再重み付け損失、特徴リプレイを伴うプロトタイプ誘導型の知識蒸留、クラスに配慮した集約によって過去の知識を保持する多段階忘却抑制フレームワークMLFCILを提案する。
さらに、安定性–可塑性のバランスを改善するために、ラウンド単位の適応的損失バランシングと、ステップ単位の勾配射影を組み合わせた二重粒度の協調戦略を導入する。
NWPU-RESISC45データセットでの実験により、MLFCILは基準手法と比べて精度を向上させ、忘却の抑制も改善しつつ、リソース負荷を最小限に抑えることが示される。

Abstract

地球低軌道（LEO）衛星コンステレーションは、近年ますますオンボード計算を実行するようになっています。しかし、厳しいメモリおよび通信制約の下で新たなクラスが継続的に登場することは、協調学習に大きな課題をもたらします。連合クラス増分学習（Federated class-incremental learning; FCIL）は、生データを共有せずに分散した増分学習を可能にしますが、LEOに固有の3つの課題に直面します。軌道力学によって生じる、独立かつ同一な分布（i.i.d.）とはならないデータの不均一性、集約時に増幅される壊滅的忘却、そして限られた資源の下で安定性と可塑性のバランスを取る必要です。これらの課題に対処するため、壊滅的忘却を3つの要因に分解し、それぞれを異なるレベルで対処する、多層忘却軽減フレームワークMLFCILを提案します。具体的には、局所的バイアスを低減するためのクラス再重み付け損失、クロスタスク知識を保持するための特徴リプレイおよびプロトタイプ誘導ドリフト補償を伴う知識蒸留、連合（フェデレーション）中の忘却を軽減するためのクラス対応型集約です。さらに、安定性—可塑性のトレードオフを一層高めるために、ラウンドレベルの適応的損失バランシングと、ステップレベルの勾配射影を組み合わせたデュアル粒度の協調戦略を設計します。NWPU-RESISC45データセットでの実験では、MLFCILが精度と忘却軽減の両面においてベースラインを大幅に上回りつつ、リソースのオーバーヘッドは最小限であることが示されました。