ارائه راهکاری برای مقابله با چالشهای اتصال متناوب در split learning بر پایه ماهواره های LEO

شبکه های ماهواره ای LEO با جمع آوری داده های سنجش از دور نقش مهمی در هوش مصنوعی دارند، اما اتصال متناوب با زمان تماس ۴ تا ۸ دقیقه چالش اصلی یادگیری توزیع شده است. هدف این پژوهش ارائه چارچوبی نیمه نظارت شده برای یادگیری تقسیم شده است که چالش های اتصال متناوب، کمبود داده های برچسب گذاری شده و ناهمگونی داده ها را برطرف کند. روش شامل مدل کمکی برای آموزش مستقل، الگوریتم برچسب گذاری شبه تطبیقی و درونیابی فعال سازی است. نتایج روی GBSense و EuroSAT نشان داد این روش پیشنهادی با دقت ۹۶.۳ درصد و سرعت ۴.۵ برابر بیشتر، عملکرد برتری دارد و آموزش موثر مدل ها را امکان پذیر می سازد.

کلیدواژه ها:

اتصال متناوب ، ماهواره LEO ، مدل کمکی ، یادگیری تقسیم شده ، یادگیری نیمه نظارت شده