연합학습(Federated learning, FL)은 중앙 서버와 사용자 데이터를 공유하지 않고도 기계학습 모델을 학습하기 위한 분산형 학습 접근법이다. FL은 학습 과정에서 개인정보 유출 위험을 완화하는 실용적인 해결책으로 여겨지지만, 특히 수십억 명 규모의 모바일 사용자를 고려할 때 그 환경적 영향은 상당할 수 있다. 본 서한에서는 서버 측 FL 설정과 클라이언트 이질성 모두를 고려하면서, FL의 탄소 비용을 먼저 시연하고 탄소발자국(Carbon footprint, CF)을 정량화 및 특성화함으로써 프라이버시에 대한 탄소 비용을 규명한다. 분석 결과, CF-최적 FL 설정은 서비스 수준 목표(service level objective)에 따라 달라지며, 클라이언트 이질성은 FL의 CF 최적화를 추가로 복잡하게 한다. 우리는 본 연구가 탄소 효율적인 FL 시스템을 설계하기 위한 실용적 지침이 될 것이라 믿는다.

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