본 연구에서는 에너지 효율적인 온라인 연합 학습을 다룬다. 먼저 동적이며 비정상적 조건에서의 장치 선택이 수렴 성능에 미치는 영향을 분석하고, 수렴률의 상한을 도출하였다. 이를 바탕으로 수렴을 보장하면서 지연(latency) 제약을 만족하는 동시에 에너지 소비를 최소화하는 최적화 문제를 수립하였다. 둘째, 온라인 할당 및 스케줄링 기반 반복 전략( OASIS )을 개발하였다. 여기서 새롭게 설계한 보상 함수(reward function)를 기반으로 조합적 상한-신뢰도구간(combinatorial upper-confidence-bound) 장치 스케줄링 알고리즘을 설계하였다. 또한 스케줄링된 장치에 대한 전력 할당을 Lambert 함수 기반으로 폐형(closed form) 형태에서 도출하였다. 제안된 알고리즘이 동적 환경에 효과적으로 적응하며 시간에 따라 준최적 결정을 유지함을 보여주는 동적 후회(dynamic regret) 분석을 수행하였다. 아울러 변화가 느린 동적 환경에서는 부분선형(sublinear) 후회를 달성하고, 정적 환경에서는 최적(optimal) 후회를 달성함도 확인하였다. 실험 결과, 제안된 OASIS는 기존의 기존 기준(baseline) 전략들에 비해 더 빠른 수렴을 달성하며 에너지 소비를 유의하게 낮추는 것으로 나타났다. 또한 목표 정확도 수준이 더 높아질수록 성능 향상이 증가함을 확인하였다. 이러한 결과는 현실적이며 시간에 따라 변동하는 연합 학습 환경에서 제안 접근의 에너지 효율성과 강건성을 검증한다.

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