提出基于FractalNet的异构联邦学习方法

2026年10月15日，arXiv Artificial Intelligence 刊出由 Sai Puppala、Bhabani P. Sinha、Koushik Sinha 完成的研究，提出一种基于 FractalNet 架构的异构联邦学习方法，面向卫星巨型星座的轨道边缘智能，并以野火为案例研究。报道称，该研究形式化了受接触窗口约束、深度异构的联邦优化问题，引入分布式路径调度器，依据 SWAP-C 约束、预测的星间接触和训练统计分配模型深度；各层级周期性汇聚更新，以降低通信开销与能耗；同时设置三层智能体控制面，负责在轨调度、异常上报与策略治理。上述内容为目前唯一一篇报道所陈述的事实，尚无后续跟进报道，也未出现与早先报道相矛盾的数字、时间或说法。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。