연합 학습(Federated Learning, FL)은 자원이 제한된 상황에서 대규모 데이터를 학습하기 위해 사용하는 신흥 기계학습 기법이다. 그러나 FL에서 통신 자원과 관련하여 세 가지 주요한 도전 과제가 확인된다. 첫째, 사용자 단말의 모델을 수집하는 매개변수 서버(parameter server, PS)는 원격 클라우드에 위치한다. 모델을 집계하는 과정에서 PS와 트래픽이 많은 로컬 노드 사이의 경로 링크에 부담이 가중될 수 있다. 둘째, 모델 매개변수의 크기가 크기 때문에 네트워크가 혼잡해질 수 있다. 셋째, 참여 클라이언트 수가 많을 경우 PS 측 링크가 크게 과부하될 수 있다. 본 연구에서는 클러스터의 클라이언트를 위치 및 각 클라이언트의 통신 범위를 기준으로 구성하고, 클러스터 내에서 부분적인 클라이언트를 선택하여 파레토 원칙(Pareto principle)을 활용함으로써 모델을 갱신하는 자원 효율적인 FL 방식을 제안한다. 시뮬레이션 결과, 제안된 방식은 기존 FL 메커니즘에 비해 약간 더 높은 정확도를 유지하면서 무선 네트워크 트래픽을 감소시키는 것으로 나타났다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.