다중 서버 환경에서 Non-IID 데이터를 위한 효율적이며 안전한 계층적 클러스터링 기반 연합학습 (Efficient and Secure Multi-Server Based Hierarchical Clustering Federated Learning on Non-IID Data)

서지정보

· 발행기관 : 사단법인 한국융합기술연구학회
· 수록지 정보 : 아시아태평양융합연구교류논문지 / 9권 / 12호 / 11 ~ 19페이지
· 저자명 : 이민섭, 정익래, 천지영

초록

연합학습은 중앙 서버와 다양한 위치에 분포되어 있는 수많은 클라이언트 장치 간의 데이터를 직접 교환하지 않는 새로운 분산 학습 방법으로 부각되고 있다. 이러한 방법에서 각 개별 클라이언트는 자신의 로컬 데이터를 활용하여 모델을 독립적으로 훈련시킨다. 훈련 단계가 완료되면, 클라이언트들은 모델의 업데이트를 중앙 서버로 전송하여 협력적인 학습 과정을 구현한다. 연합학습 방식은 특히 의료 분야와 같이 데이터가 독립적이고 동일하게 분포되지 않는 환경에서 중요한 역할을 한다. 이러한 분야에서는 데이터의 특성이 표준 가정에서 벗어나기 때문에 해결해야 할 문제가 생긴다. 따라서 학계와 산업계는 클러스터링, 개인화부터 혁신적인 메타 학습에 이르기까지 다양한 기술을 깊게 탐구하는데 큰 관심을 보이고 있다. 주목할 만한 점은, 현재의 연구 대부분이 중앙 서버에 대한 묵시적인 신뢰를 기반으로 하고 있어, 보안 취약점과 서버 중심의 연산으로 인한 효율성 문제가 발생할 수 있다는 것이다. 이러한 문제를 바탕으로, 본 연구는 중앙 서버의 부하를 줄이면서 클러스터링 방법론의 강점을 활용하는 새로운 연합 학습 전략을 제안한다.

영어초록

Federated learning emerges as a groundbreaking and innovative distributed learning paradigm, distinctively characterized by its approach that avoids the direct exchange of data between a central server, which plays a pivotal role, and a myriad of client devices scattered across different locations. In this unparalleled methodology, each individual client takes the initiative to train their respective model using their local data. Once this training phase reaches its conclusion, these clients dispatch their model updates to the central server, ensuring a collaborative learning process. This federated approach becomes especially crucial and salient in specific environments, notably the medical sector. In such domains, data frequently deviates from the standard assumption of being independently and identically distributed, presenting unique challenges. Consequently, the academic and industrial worlds are witnessing a burgeoning interest in delving deep into diverse techniques. These techniques range from clustering and personalization to the more avant-garde concept of meta-learning. It's worth noting that a substantial chunk of the existing body of research firmly anchors itself in a framework that places an implicit, and sometimes unwarranted, trust in the central server. Such an over-reliance inadvertently opens the door to potential security vulnerabilities and introduces efficiency bottlenecks, primarily due to the overwhelming server-centric operations. Based on these issues, this study proposes a new federated learning strategy that reduces the load on the central server while leveraging the strengths of clustering methodologies.

참고자료

· 없음