데이터베이스 연구회지(SIGDB)
Current Result Document :
| 한글제목(Korean Title) |
기업형 연합학습 프레임워크 분석 |
| 영문제목(English Title) |
An Analysis on Federated Learning Frameworks for Enterprises |
| 저자(Author) |
김채미
Chaemee Kim
노웅기
Woong-Kee Loh
|
| 원문수록처(Citation) |
VOL 36 NO. 02 PP. 0028 ~ 0044 (2020. 08) |
한글내용
(Korean Abstract) |
데이터를 한곳에 모아서 학습하는 기존의 방식은 데이터의 수집 단계부터 어려움에 직면하기 쉽다. 민감한 개인 정보와 서비스 데이터의 유출이나 이동에 대해서 제약이 많고, 암호화와 비식별화와 같은 정보보안 대책을 적용해도 데이터가 집중적으로 모여있는 곳은 보안에 취약한 환경일 수밖에 없다. 연합학습(federated learning)은 데이터가 이동하는 대신 데이터가 있는 다양한 곳에서 학습이 이루어지고, 각각의 학습결과 생성된 개별 로컬 학습모델(local learning model)들을 통합한 글로벌 학습모델(global learning model)을 다시 데이터가 있는 곳에 배치하는 방식이다. 연합학습은 수많은 단말기 또는 분산 머신에서 생성된 데이터와 가까운 곳에서 처리하고 활용하는 에지 컴퓨팅(edge computing), 기업 내부라도 데이터 이동의 제약이 있는 서비스 간의 데이터 활용, 동일한 산업군 내에서 데이터 공유는 어렵지만 융합 서비스의 필요성이 있는 응용 에 적용할 수 있는 획기적인 머신러닝 방식이다. 본 논문에서는 다양한 기업 컴퓨팅 환경에서 적합한 연합모델을 효율적으로 운영하기 위한 기존의 연구들을 소개하고, 기업형 연합학습 프레임워크로 발전시키기 위한 문제점과 향후 연구 방향을 제시한다. 기업형 연합학습은 기업 간(B2B), 기업과 개인 간(B2C) 데이터의 이동 없이 다양한 머신러닝 응용을 가능하게 한다는 점에서 데이터 주도형 산업 변화를 선도할 수 있는 잠재적 성장성이 높은 연구가 될 것이다.
|
영문내용
(English Abstract) |
The traditional machine learning approach that performs training using massive data in a central server tends to face difficulties from the beginning of data collection. Most sensitive private data and service business data are restricted to flow outside, and even with the data protection arrangements such as encryption and de-identification, the data collection sites are major targets of security breach. In federated learning, instead of collecting data, learning algorithms are run at each of various servers and devices where data are stored, and the resulting models are sent to a central server to build a global integrated model, which is then deployed back to each data server and device. Federated learning is an innovative approach that can be adopted in various areas including (1) an edge computing system where data storage, computation, and application are carried out at close locations using mobile devices and distributed servers, (2) application of highly flow-restrictive intra-enterprise service data, and (3) integration of intra-industry services using hardly sharable data. In this paper, we introduce previous research work for efficiently adopting and managing federated learning models that are adequate for various enterprise computing environments and present the issues and future research directions for improvement of enterprise federated learning frameworks. We believe that enterprise federated learning will solve many machine learning problems in B2B and B2C environments without data movements and therefore play a crucial role of leading data-centric industrial innovations.
|
| 키워드(Keyword) |
연합학습
기업형 프레임워크
에지 컴퓨팅
분산 머신러닝
마이데이터
federated learning
enterprise framework
edge computing
distributed machine learning
MyData
|
| 파일첨부 |
PDF 다운로드
|
