Split learning enhanced federated learning for joint personalization and generalization
연구 내용
클라이언트 개인화와 미지 데이터 일반화를 동시에 만족하도록 모델을 클라이언트-서버로 분할하고, 추론 단계 자원 제약까지 고려하여 엣지 환경에서 성능을 안정화하는 연구
엣지 AI 서비스에서는 사용자별 요구를 반영하는 개인화와 신규 데이터에서의 일반화가 동시에 필요합니다. 연구실은 연합학습의 학습 구조를 Split learning 형태로 재구성하여, 클라이언트 측 모델은 각 클라이언트의 주 태스크에 맞춘 개인화에 집중하고, 서버 측 모델은 out-of-distribution 과제를 처리하는 일반화에 집중하도록 학습 역할을 분리합니다. 또한 추론 시점에서 네트워크·연산 자원 제약에 맞춰 모델 분할 비율과 오프로딩 전략을 정하는 방향으로 설계하여, 지연과 정확도의 균형을 제공하는 차별성을 구현합니다.
관련 연구 성과
관련 논문
3편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기 연구에서는 연합학습에서 발생하는 개인화-일반화 간 상충 문제를 Split learning 구조로 해석하고, 클라이언트 측과 서버 측의 학습 목표를 분리하는 기본 틀을 정립했습니다. 이후에는 모델 분할에 따른 수렴 거동과 추론 시간의 영향을 분석하고, 자원 제약 하에서 적절한 분할·오프로딩 결정을 위한 메타 파라미터 선택 지침을 도출했습니다. 최근에는 모바일·IoT 등 자원 제한 환경에서 효율적 추론을 달성하는 구성으로 확장하여, out-of-distribution 상황에서 성능을 유지하는 방향으로 세부 설계를 강화했습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
SplitGP: Achieving Both Generalization and Personalization in Federated Learning
Federated Split Learning With Joint Personalization-Generalization for Inference-Stage Optimization in Wireless Edge Networks
SplitGP: Achieving Both Generalization and Personalization in Federated Learning