연합학습 기여평가 및 샘플 인식 기반 메타러닝 연구(프라이버시 포함)

Federated Client Contribution Evaluation and Sample-Aware Meta-Learning

연구 내용

연합학습에서 데이터 이질성으로 인한 기여평가 불안정을 완화하고, 샘플 인식 gradient 조정을 통해 적응 성능을 높이는 연구

연합학습 환경에서는 데이터 접근성 제약과 데이터 이질성으로 인해 클라이언트 기여를 안정적으로 정량화하기 어렵습니다. 연구에서는 sampled data size를 활용해 정확도 근사 기반으로 client contribution을 계산하고, data size diversification으로 game-theoretic 전략에 따른 정확도 변동을 완화하는 FedCCEA를 제안합니다. 또한 optimization-based meta-learning에서 공용 prior가 샘플 수준에 불균형한 영향을 주어 broad loss 분포가 형성된다는 문제를 분석하고, sample-aware 정보로 gradient norm을 arbitrate하여 고손실 샘플이 학습에 반영되도록 합니다. 프라이버시 보존 관점의 프로젝트와 연합학습 글로벌모델 구축 방법 특허를 함께 확보하여, 적응학습 파이프라인을 실제 환경으로 확장할 수 있는 기반을 마련합니다.

관련 프로젝트

3건

연구 흐름

초기에는 연합학습에서 클라이언트 기여 평가가 데이터 이질성과 접근 제약으로 불안정해지는 원인을 분석했습니다. 이를 바탕으로 정확도 근사와 데이터 크기 분산을 결합한 FedCCEA를 설계하고, 시뮬레이션 기반 실험으로 robustness와 partial participation 실용성을 검증했습니다. 이후 메타러닝에서는 태스크 적응 과정의 gradient 평균화가 고손실 샘플의 기여를 약화시킨다는 관찰에 집중했습니다. 학습 중 gradient norm을 sample-aware 정보로 조정하는 Meta-GNA를 제안하고, cross-domain 환경에서 일반화 성능이 개선되는 방향으로 이론과 실험을 함께 정리했습니다. 이 과정에서 프라이버시 보존 기술개발 과제를 통해 적용 조건을 구체화했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

클라이언트 기여도 추정
부분 참여 연합학습
데이터 이질성 완화
프라이버시 보존 학습
샘플 인식 적응학습
크로스도메인 일반화
지식 전이 보조
학습 안정성 향상
클라이언트 선택 전략
연합 기반 모델 업데이트