데이터 분포 불균형 문제 해결을 위한 다중 기기 연합학습 기반 운전자 이상 행동 탐지 (Driver Behavior Anomaly Detection Based on Federated Learning Considering Data Distribution Imbalance)

서지정보

· 발행기관 : 한국통신학회
· 수록지 정보 : 한국통신학회논문지 / 50권 / 3호 / 395 ~ 405페이지
· 저자명 : 권병근, 김수현

초록

본 연구는 자동차 모빌리티 환경에서의 이상 행동 탐지를 위한 연합학습 기반 프레임워크를 제안하고, 이를 다양한 시나리오 실험을 통해 검증한다. 제안한 프레임워크는 데이터를 로컬 차량 클라이언트에 안전하게 보존하면서 다중 기기 연합 학습 기법을 적용하여, 데이터 프라이버시 보호와 높은 예측 성능 간의 균형을 달성한다. 특히자동차 모빌리티 환경 특유의 데이터 분포 불균형 문제를 반영하고, MobileNet과 같은 경량 딥러닝 모델을 활용하여 실시간 이상 행동 감지에 적합한 계산 효율성을 확보하였다. 그 결과, 중앙집중형 모델과 유사한 수준의 연합 학습 모델 정확도를 달성하여 민감한 운전자 데이터의 직접적인 공유 없이 학습을 진행할 수 있음을 확인하였다. 이는 스마트 모빌리티 플랫폼과 같은 빅데이터 환경에서 개인정보 보호 규제를 준수하면서도 고성능 인공지능모델 개발이 가능함을 의미한다. 본 연구는 모빌리티 분야에서 연합학습 적용의 실용성을 입증하고, 향후 다양한응용 영역에서 데이터 프라이버시와 기술적 성능을 동시 달성할 수 있는 새로운 가능성을 제시한다.

영어초록

This study presents a cross-device federated learning framework for detecting anomalous behavior in automotive mobility and evaluates its performance across various experimental scenarios. The proposed framework retains data locally on vehicle clients, ensuring data privacy while achieving high predictive performance through cross-device federated learning settings. It addresses challenges specific to automotive mobility, such as data distribution imbalance, and employs the lightweight deep learning model like MobileNet for computational efficiency, enabling real-time anomaly detection. Experimental results can demonstrate that the federated learning model achieves accuracy comparable to centralized models without requiring the direct sharing of sensitive driver data. This highlights the framework’s ability to balance data privacy and performance, making it suitable for privacy-sensitive environments such as smart mobility platforms. We believe that the practicality of our framework in mobility applications and its broader potential for developing smart intelligent systems to comply with stringent privacy regulations can offer a valuable solution for integrating artificial intelligence into data-driven industries.

참고자료

· 없음