Heterogeneity-Aware Energy and Carbon Optimization for Federated Learning
연구 내용
비IID 데이터와 시스템 이질성, 확률적 실행 변동을 고려하여 연합 학습의 수렴과 에너지 효율을 동시에 최적화하고 탄소 비용을 반영하는 연구
연합 학습은 원시 학습 데이터를 공유하지 않고 엣지 단말들이 공동 모델을 학습하지만, 라운드별 실행 시간이 확률적으로 변하고 단말 및 데이터 분포가 이질적이어서 수렴과 에너지 비용이 동시에 악화될 수 있습니다. 김영근 연구실은 강화학습 기반 제어기를 설계해 K개 참여자와 라운드별 로컬·전역 실행 목표를 선택하고, 수렴성과 에너지 효율을 함께 만족하는 정책을 도출합니다. 또한 탄소 집약도와 탄소 비용을 반영해 참여 및 최적 설정을 확장하여 성능·환경 지표 간 절충을 정량화합니다.
관련 연구 성과
관련 논문
5편
관련 특허
0건
관련 프로젝트
2건
연구 흐름
초기에는 엣지 실행의 확률적 런타임 변동과 시스템·데이터 이질성을 함께 고려하여, 라운드별 참여자와 실행 목표를 학습하는 AutoFL 접근으로 수렴 시간과 에너지 효율을 동시에 개선하는 방향을 정립했습니다. 이후 FedGPO로 전역 파라미터(B, E, K)를 라운드 단위로 적응하며 수렴과 에너지 최적화를 강화했습니다. 이어 CLOVER와 탄소 비용 정량화 연구를 통해 탄소 효율을 새로운 목적함수로 포함하고, 서비스 수준 목표와 단말 이질성에 따른 탄소 최적 설정의 변화를 분석하는 단계로 확장했습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
AutoFL: Enabling Heterogeneity-Aware Energy Efficient Federated Learning
AutoFL: Enabling Heterogeneity-Aware Energy Efficient Federated Learning
FedGPO: Heterogeneity-Aware Global Parameter optimization for Efficient Federated Learning
CLOVER: Carbon Optimization of Federated Learning over Heterogeneous Clients
Characterizing Carbon Cost of Federated Learning
관련 프로젝트
구분
제목
스마트 엣지 기기들을 위한 시스템 수준의 딥러닝 최적화
스마트 엣지 기기들을 위한 시스템 수준의 딥러닝 최적화