최근 에너지 수집 기술의 발전과 온디바이스 학습이 가능한 AIoT 장치의 확산으로 에너지 수집형 AIoT 시스템이 주목받고 있다. 본 연구는 에너지 제약이 있는 엣지 AIoT 환경에서 안정성을 유지하면서도 연합학습 성능을 효율적으로 향상시키기 위한 에너지 적응형 근사컴퓨팅 기법을 제안한다. 일반적으로 에너지 소모량과 학습 성능 간에는 비례 관계가 있어, 제한된 에너지 환경에서는 일부 성능 저하를 허용할 필요가 있다. 제안하는 방법은 태양 에너지 수집 모델을 바탕으로, 각 라운드의 제한된 에너지 예산 내에서 로컬 학습 데이터양과 파라미터 교환량을 최적화하는 근사컴퓨팅을 수행한다. 이를 통해 노드의 정전시간을 최소화하고, 결과적으로 전체 연합학습의 정확도를 개선할 수 있음을 확인하였다.

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