다중 셀 무선 네트워크에서 연합 학습(Federated Learning, FL)을 통해 지능형 서비스를 제공하는 일은 클라이언트와 지역 전반에 걸친 다단계 분포 시프트뿐 아니라 엣지 서버와 클라우드 서버 간의 추가적인 통신 지연 때문에 더욱 어려워진다. 이러한 문제를 해결하기 위해, 우리는 중첩 영역의 클라이언트를 통합하고 다중-출구 신경 아키텍처를 도입하는 분할 학습 프레임워크인 SplitOMC를 제안한다. 이 프레임워크는 (i) 클라이언트 선호 작업, (ii) 비선호 작업, (iii) 비지역 작업을 함께 처리한다. 중첩 지역에 있는 클라이언트를 전략적으로 활용함으로써 SplitOMC는 과도한 백홀 통신 없이도 학습을 가속하는 동시에 개인화와 일반화 성능을 모두 유지한다. 우리는 제안 알고리즘의 수렴 거동을 이론적으로 분석하여 이질적인 데이터 및 통신 조건 하에서도 성능 안정성을 보장한다. MNIST, CIFAR-10/100 및 실제 Jetson Nano 테스트베드에 대한 광범위한 실험 결과, SplitOMC는 최신 방법들과 비교하여 학습과 추론을 일관되게 더 빠르게 수행하면서도 정확도를 향상시키는 것으로 나타났다. 특히, 이 프레임워크는 자원 제약이 있는 환경과 불안정한 네트워크 환경에서의 견고성을 보여 차세대 무선 지능형 서비스에 대한 실용적 가치를 부각한다.

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