프라이버시 인지 연합학습 기반 스마트 헬스케어 및 모바일 서비스 연구

Privacy-Aware Federated Learning for Smart Healthcare and Mobile Applications

연구 내용

의료 및 모바일 서비스 환경에서 원천 데이터를 공유하지 않고도 학습을 수행하기 위해 프라이버시·스트래글러를 고려한 연합학습 방법을 설계하는 연구

의료기관 및 모바일 환경에서 데이터 공유가 제한되는 조건을 전제로, 연합학습에서 발생하는 프라이버시 비용과 학습 지연을 함께 다루는 프레임워크를 개발합니다. 클라이언트의 기여를 선택·계약 형태로 구성하고, 암호화 기반의 안전한 업로드 경로를 고려하여 학습 품질을 유지합니다. 또한 통신 병목을 완화하기 위해 주성분 분석 기반 압축을 결합하는 방식을 검토하여 전송 효율과 정보 손실 간의 균형을 최적화하는 차별성을 보유합니다.

관련 프로젝트

1건

연구 흐름

초기에는 연합학습이 스마트 헬스케어에서 요구되는 동작 조건과 설계 요구사항을 체계적으로 정리하고, 자원 제약과 프라이버시 이슈를 중심으로 연구 방향을 구체화했습니다. 이후에는 모바일 애플리케이션 서비스로 확장하여, 스트래글러 완화와 개인정보 인지 문제를 동시에 다루는 학습 프레임워크를 제안했습니다. 마지막으로 의료 데이터 플랫폼 관점에서, 연합학습 과정의 통신 효율을 개선하기 위한 차원 축소 기반 압축 방법을 구현 가능한 형태로 연결하는 흐름으로 고도화했습니다.

활용 가능성

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

프라이버시 보존 의료 진단 학습
스트래글러 완화 연합학습 운영체계
암호화 기반 안전한 모델 업데이트 파이프라인
의료 데이터 공유 대체 학습 플랫폼
환자 맞춤형 분산 학습 서비스
모바일 기반 개인화 예측 모델
차원 축소 연합학습 통신 최적화
병원 간 공동 학습 거버넌스 도구
헬스 데이터 품질 평가 연합학습
의료 규제 대응형 학습 절차 모델