네트워크 엣지에서 지능형 서비스에 대한 수요가 증가함에 따라 여러 연구 과제가 제기되었다. 그중 하나는 서로 다른 응용 전반에서 개인화(개별 클라이언트에 대한) 및 일반화(미지 데이터에 대한) 특성을 동시에 달성하는 기계 학습 아키텍처의 필요성이다. 또 다른 과제는 테스트 시점에서 네트워크 자원 및 지연 시간 제약을 만족할 수 있는 추론 전략의 필요성이다. 연합 학습에서의 기존 기법들은 개인화와 일반화 사이에 급격한 트레이드오프를 겪었으며, 추론 단계에서의 자원 요구사항을 명시적으로 고려하지 않았다. 본 논문에서는 자원 제약이 있는 클라이언트 전반에서 효율적인 추론을 위해 일반화/개인화를 동시에 포착하는 엣지-AI의 학습 및 추론 공동 전략인 SplitGP를 제안한다. SplitGP의 학습 과정은 연합 분할 학습(federated split learning)에 기반하며, 핵심 아이디어는 클라이언트 측 모델을 주된 과제에 맞춘 개인화 능력을 갖도록 최적화하는 한편, 서버 측 모델은 분포 외(out-of-distribution) 과제를 처리할 수 있는 일반화 능력을 갖도록 학습하는 것이다. 테스트 시점에는 각 클라이언트가 네트워크 자원 가용성에 따라 조정 가능한 불확실성 임계값을 기반으로 추론 작업을 서버에 선택적으로 오프로딩한다. SplitGP의 핵심 메타-파라미터 선택에 관한 지침을 제공하기 위해 형식적인 수렴 분석과 추론 시간 분석을 수행하였다. 실험 결과는 SplitGP가 기존 기준 모델들에 비해 우수함을 확인하였다.

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