특허 개요
본 특허는 기기마다 흩어진 데이터를 직접 공유하지 않고 함께 모델을 학습하는 연합 학습 시스템으로, 데이터 종류의 불균형을 보완해 학습 참여 기기를 선택하는 기술입니다. 각 엣지 디바이스는 로컬 데이터의 클래스 분포를 분석하고 생성형 인공지능 기반 보완 데이터를 구성하며, 중앙 서버는 보완 데이터의 클래스별 비율과 균일한 IID 분포 비율 간 거리를 기준으로 참여 디바이스 조합을 샘플링합니다. 선택된 디바이스의 로컬 가중치는 FedAvg, FedProx 또는 FedRS 방식으로 취합되어 글로벌 모델 가중치로 갱신·배포됩니다.
- 핵심 기능
엣지 디바이스는 로컬 클래스별 데이터량을 바탕으로 부족한 클래스에 대한 합성 데이터를 생성하고, 기존 데이터와 결합한 보완 데이터를 구성합니다. 중앙 서버는 보완 데이터 분포가 IID 분포에 가까운 디바이스 조합을 선택한 뒤 로컬 학습 가중치를 취합하여 글로벌 가중치를 생성하고 각 디바이스에 배포합니다.
- 차별 강점
기존 연합 학습은 참여 디바이스를 무작위로 선택할 경우 non-IID 데이터 분포의 편차가 누적되어 수렴 속도와 모델 성능이 저해될 수 있습니다. 본 특허는 클래스 분포 기반 데이터 보완과 IID 근사도 기반 디바이스 선택을 결합해 참여 데이터의 편차를 낮추고, FedProx 또는 FedRS를 적용해 로컬 업데이트 발산 및 클래스 누락 영향을 완화하는 점에서 차별화됩니다.
- 활용 범위
기술·연구 측면에서는 온디바이스 인공지능, 분산 머신러닝, 개인정보 보호형 학습, non-IID 데이터 학습, 엣지·클라우드 협력 학습 분야에 활용 가능하며, 스마트폰·웨어러블·IoT 기기, 의료기기, 자율주행 장치의 분산 데이터 학습으로 확장할 수 있습니다. 사업 측면에서는 개인정보 민감 인공지능 서비스, 얼굴 인식 등 사용자 단말 기반 서비스, 통신기기·서버 연계형 인공지능 플랫폼의 학습 인프라로 확장할 수 있습니다.
연구 개발 단계
클래스 분포에 따라 합성 데이터를 결합한 보완 데이터가 합성 전 로컬 데이터보다 균일한 분포를 형성하고 IID 분포에 근접할 수 있음을 정성적으로 설명했습니다. IID 근사 디바이스 조합 선택, FedProx 기반 발산 완화 및 FedRS 기반 클래스 누락 영향 완화가 제시되었으나, 데이터셋별 정확도·수렴 라운드·통신량의 정량 검증은 기재되지 않았습니다.
현재 성과
로컬 클래스 분포의 부족 구간을 합성 데이터로 보완하고, IID 분포에 가까운 참여 디바이스 조합을 선택하도록 구성합니다. 이를 통해 non-IID 환경에서 참여 데이터 편차를 줄이고 글로벌 모델 수렴 속도 향상을 목표로 합니다. 실제 정확도와 수렴 성능은 대상 데이터셋 기반 PoC에서 확인이 필요합니다.
실시예의 정성적 설명에서 합성 데이터를 포함한 보완 데이터가 합성 전 로컬 데이터보다 클래스별 분포가 균일해질 수 있음을 제시했습니다. 중앙 서버는 클래스 비율과 IID 분포 비율 간 거리로 참여 디바이스 조합을 평가하며, 유클리드 거리·맨해튼 거리 또는 피셔 정보 행렬을 적용할 수 있습니다.
일반적인 연합 학습은 로컬 모델 가중치를 취합하지만, 무작위 참여 선택에서는 데이터 분포가 안정적인 디바이스가 제외될 수 있습니다. 본 특허는 생성형 인공지능 기반 클래스 보완 데이터와 IID 근사도 기반 디바이스 선택을 결합합니다. 또한 FedProx 및 FedRS를 적용해 로컬 모델 발산과 미싱 클래스의 영향을 완화하도록 구성합니다.
상용화까지 남은 부분
다양한 non-IID 데이터셋에서 정확도, 수렴 라운드, 통신량 및 합성 데이터 품질을 정량적으로 검증할 필요
대규모 엣지 디바이스 환경에서 참여 디바이스 샘플링과 가중치 취합의 확장성 및 성능 재현성을 확인할 필요
통신 지연, 보안성, 개인정보 보호 수준 및 장기 운영 신뢰성을 실제 운영 환경에서 검증할 필요
기술 이전 형태·도입 과정
도입은 이렇게 진행됩니다.
검토 미팅
귀사 상황·데이터 구조 기준으로 적합성을 논의합니다. 자료 검토만으로 끝나도 됩니다.
PoC 공동 검증
연구팀 동행 하에 귀사 데이터 기준 재학습·성능을 확인합니다.
라이센싱 계약
PoC 결과를 기반으로 희망 형태(실시권·공동연구 등)를 협의합니다.
기술지도·후속
도입 초기 기술지도, 필요 시 후속 공동연구·정부과제 연계까지 진행합니다.
특허 정보
연합 학습 방법 및 이를 수행하는 연합 학습 시스템
FEDERATED LEARNING METHOD AND FEDERATED LEARNING SYSTEM FOR PERFORMING THE SAME
10-2025-0004415 (2025.01.10)
1020260112898 (2026.07.21)
미등록 (심사 중)
한국과학기술원