Current Result Document :
| 한글제목(Korean Title) |
클라이언트 자가 균형 연합학습 알고리즘 |
| 영문제목(English Title) |
Federated Client-side Self-Balancing Algorithm with Entropy Regularization |
| 저자(Author) |
배상민
안수명
윤세영
Sangmin Base
Sumyeong Ahn
Se-Young Yun
|
| 원문수록처(Citation) |
VOL 48 NO. 02 PP. 0485 ~ 0487 (2021. 12) |
한글내용
(Korean Abstract) |
최근 엣지 디바이스의 광범위한 활용성으로 인해, 엣지 디바이스의 한정적인 계산 자원과 각각의 개인 데이터 보안을 유지하며 학습에 사용하는 방법인 연합학습(Federated Learning)에 관한 관심이 많아지고 있다. 연합학습은 크게 개인 데이터를 보유하고 있는 ‘클라이언트(로컬)’와 모델을 각 클라이언트에게 배포하고 취합하는 ‘서버(글로벌)’의 통신으로 학습이 진행된다. 이 때, 서버는 클라이언트(엣지 디바이스)의 보안을 침해할 수 없는 상황과 각 클라이언트의 데이터 분포가 불균형한 상황을 가정한다. 일반적으로 최근 연구들은 데이터의 불균형도를 학습된 서버 모델을 통해 간접적으로 측정하여 알고리즘에 사용한다. 하지만 개인 데이터에 대한 보안으로 인해 서버는 실제 데이터에 접근하여 불균형도를 정확하게 측정할 수 없다. 본 논문에서는 클라이언트 측에서 데이터의 불균형도를 고려해, 학습 데이터 클래스의 분포가 균등하도록 배치를 재구성하는 방식을 제안한다. 제안한 알고리즘은 타 알고리즘과 비교하여 연합학습 상황에서 이미지 분류 성능을 월등히 높여주었다. |
영문내용
(English Abstract) |
|
| 키워드(Keyword) |
|
| 파일첨부 |
PDF 다운로드
|
