Non-IID 데이터 환경에서 로컬 및 글로벌 학습을 고려한 연합학습의 성능 분석 연구

초록

연합학습은 각 디바이스에서 학습을 진행하며, 이를 통해 개인정보 보호와 관련된 문제들을 해결할 수있게 되었다. 연합학습은 이러한 장점을 가지고 있지만 실제 환경에 적용되기에는 많은 어려움이 있다. 실제 환경에서는 기기들이 가지고 있는 데이터의 분포가 불균형한 경우가 많으며, 이 경우 데이터 분포가 일정할 때 보다더 많은 학습 시간을 필요로 하고 더욱 낮은 정확도를 보인다. 본 논문에서는 이러한 현상을 깊이 분석하기 위해다양한 데이터 분포 환경에서 로컬 및 글로벌 학습 횟수에 따라 연합학습 시스템의 정확도와 학습시간이 달라지는 것을 확인하였다. 각 데이터 분포 환경에서 최적의 글로벌 라운드(global round)와 로컬 에폭(local epoch) 값을 찾는 분석을 수행하였으며, 동일한 횟수의 학습을 진행하더라도 두 값을 적절하게 조절함으로써 적은 학습 시간을 소모하며 높은 정확도를 얻을 수 있음을 보였다. 또한, 특정 시간 내에 최대의 정확도를 얻기 위한 설정 값에 대한 이론적 분석을 수행하였다.