연합 학습(Federated Learning, FL)은 사용자 단말 장치에서 원시 데이터를 온디바이스로 유지함으로써 개인정보를 보호하면서, 사용자 단말 장치들 전반에 걸쳐 협력적으로 딥러닝 모델을 학습시키는 실용적인 접근법이다. FL에서는 참여하는 사용자 단말 장치들이 하드웨어 및 소프트웨어 구성 측면에서 매우 분절되어 있다. 이러한 분절성은 FL에서 새로운 유형의 데이터 이질성, 즉 \textit{시스템 유발 데이터 이질성(system-induced data heterogeneity)}을 야기하는데, 각 장치가 하드웨어와 소프트웨어 구성에 따라 서로 다른 데이터를 생성하기 때문이다. 본 논문에서는 먼저 시스템 유발 데이터 이질성이 FL 모델 성능에 미치는 영향을 규명한다. 우리는 공급업체와 성능 등급에 따른 변이를 포함하는 이기종 장치들을 사용하여 데이터셋을 수집한다. 이 데이터셋을 활용하여, \textit{시스템 유발 데이터 이질성}이 정확도에 부정적인 영향을 미치며, FL에서의 공정성 및 도메인 일반화 문제를 악화시킨다는 점을 보인다. 이러한 문제를 해결하기 위해, 우리는 HeteroSwitch를 제안하는데, 이는 HW 및 SW 구성이 상이함에 의해 유발되는 편향의 수준에 따라 일반화 기법(즉, ISP 변환과 SWAD)을 적응적으로 채택한다. 현실적인 FL 데이터셋(FLAIR)을 이용한 평가에서, HeteroSwitch는 장치 유형 전반에 걸쳐 평균 정밀도의 분산을 6.3\% 감소시킨다.

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