2024 한국소프트웨어종합학술대회 (KSC 2024) · 2024 · Published
분할-연합학습의 데이터, 자원 이질성 극복을 위한 연구 동향 분석
Analysis on Research for Data and Resource Heterogeneity in Split-Federated Learning
A survey of data and resource heterogeneity in split-federated learning.
Paper
Abstract
사물인터넷의 발전으로, 엣지 장치에서 생성된 데이터를 안전하게 인공지능 모델 학습에 활용하는 분할-연합학습이 주목받고 있다. 분할-연합학습은 데이터가 중앙 서버로 수집되지 않으므로 프라이버시 측면에서 유리하지만, 각 장치의 데이터 이질성과 자원 이질성으로 인해 학습 속도 저하와 자원 비효율성 문제가 발생한다. 이를 해결하기 위한 다양한 연구가 제안되어, 특정 상황에서의 문제를 해결할 수 있음을 보였다. 본 연구는 현재 시점까지 제안된 상기 기법들을 비교 분석하고, 최신 연구에서도 해결되지 않은 세 가지 주요 문제를 확인한다. 이를 기반으로 연구가 필요한 향후 과제를 제시한다.
Source: 2024 한국소프트웨어종합학술대회 (KSC 2024).
Resources
Read and cite this paper
@inproceedings{splitfederatedlearning2024,
title = {분할-연합학습의 데이터, 자원 이질성 극복을 위한 연구 동향 분석},
author = {노태윤 and 정승우 and 유연호 and 박선재 and 양경식 and 유혁},
year = {2024},
booktitle = {2024 한국소프트웨어종합학술대회 (KSC 2024)},
pages = {1364--1366},
url = {https://txxnrd.github.io/paper/splitfed.pdf}
}