Non-IID 데이터 분산 환경에서의 연합학습 참여 기기 선택 기법 연구

초록

연합학습은 분산된 클라이언트들의 데이터를 이용 하 여 학습된 글로벌 모델을 만드는 것을 목적으로 한다. 그러나 각 클라이언트에 종속적인 이질 적 분포 의 데이터를 사용해 학습을 수행한 결과인 글로벌 모델은 중앙집중식모델에 비해 저하된 성능을 보인다. 본 논문에서는 불균형한 데이터 분포 환경에서 연합학습 모델이 학습될 때 발생하는 가중치 발산으로 인한 성능저하 문제를 해결하기 위해 AdaBoost의 동작방식을 기반 으 로 차원축소 알고리즘을 활용한 학습 참여 기기 선택 기법을 제시한다. 데이터 이질성을 모사한 클래스 불균형 문제 상황에서 다양한알고리즘들을 활용한 제안 기법들 을 적용하였으며, 쿨백-라이블러, IsoM ap 및 A daB oost 동작방식을 활용한 제안기법은 92.986%의 높은 정확도를 달성하였다. 또한, 제안된 기법들 은 첫 라운드에서 기존 기법 대비 최대 6.17% 및평균 3.87% 더 높은 정확도를 나타내어 보다 빠르게 학습을 수행하여 saturation point에 도달하는 결과를 보였다.