Out-of-Distribution Detection in Federated Learning
연구 내용
연합학습 환경에서 outlier exposure를 활용해 분포 외 샘플을 안정적으로 탐지하는 연구
연합학습에서는 참여 주체의 데이터 분포가 달라져 분포 외 샘플에 대한 오탐과 누락이 발생할 수 있습니다. 본 연구는 outlier exposure 기반 학습을 통해 모델이 의도하지 않은 입력 패턴을 이상으로 구분하도록 유도합니다. 특히 분산된 학습 과정에서 발생하는 representation shift를 고려하여, 분포 외 정보가 학습에 미치는 영향을 설계 관점에서 반영합니다. 이를 통해 이상탐지와 분포 안정성을 동시에 목표로 하는 분산 학습형 AI 모델을 구축하는 데 차별성을 둡니다.
관련 연구 성과
관련 논문
0편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 연합학습에서 분포 외 입력이 모델 성능과 안전성에 미치는 영향을 분석하고, outlier exposure가 이상 구분에 제공하는 효과를 학습 전략으로 정리합니다. 이후 분산 환경에서 학습 신호가 불균형해지는 문제를 고려하여, 분포 외 데이터의 활용 방식과 경계 결정에 대한 설계 요소를 구체화합니다. 최근에는 분포 외 탐지 성능을 중심으로 신경망 기반 모델의 견고성을 평가하고, 연합학습 설정에서의 활용 가능성을 검증하는 연구를 수행합니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.