Earticle

초록

한국어

인공지능 기술의 발달로 인해 사물인터넷 기기와 스마트 기기들의 사용이 급속도로 증가하였다. 기존의 인공지능 모델 학습 방법은 보안 문제 등 많은 단점이 존재한다. 따라서 기존의 단점을 보완하면서 원 데이터 송 신이 필요 없는 연합학습(FL: Federated Learning)의 연구가 활발히 이루어지고 있다. 연합학습은 많은 장점들을 가지고 있지만 참여 기기 간 통신 및 네트워크의 상황에 차이가 존재하기 때문에 일부 기기로 인해 전체적인 학 습이 지연될 수 있다는 한계를 가진다. 따라서 본 논문에서는 통신과 네트워크 상황에 따라 적절하게 학습 참여 기기를 선택하는 기법을 제안한다. 제안한 기법을 활용할 경우 측정된 네트워크와 통신 성능 지표를 바탕으로 각 기기들의 통신 및 네트워크 상황을 예측하고 이를 통해 기기들을 선택함으로써 보다 효율적인 연합학습을 수행한 다. 이는 기존의 학습기법과 비교하였을 때 전체적인 학습시간을 감소시키는 결과를 보였으며 더욱 짧은 시간에 더 높은 성능을 가지는 모델을 구축하는 결과를 보였다.

영어

Supported by the development of artificial intelligence (AI) technology, the use of Internet of Things (IoT) and smart devices has increased rapidly. Existing methods of training AI models have many disadvantages, such as security problems. Therefore, many researches on federated learning (FL) that does not require transmission of raw data have been actively conducted for overcoming the existing shortcomings. FL has many advantages, but there is a limit that some devices may delay the FL system’s overall training due to the differences in communication and network situations between participating devices. To overcome such limitation, in this paper, we propose the participant selection scheme based on network situation prediction of server-to-device communication paths. Using the proposed scheme, more efficient FL can be performed by selecting participant devices intelligently based on the predicted communication and network information of each device.

목차

요약
Abstract
Ⅰ. 서론
Ⅱ. 관련연구
2.1 네트워크 통신 관련 연구
2.2 데이터 활용
Ⅲ. 시스템 디자인
3.1 시스템 설명
3.2 알고리즘 설명
Ⅳ. 시스템 구현
4.1 전체적인 시스템 구성 및 구현에 대한 포괄적 내용
4.2 네트워크 지표 측정 방법
4.3 통신 지표 측정 방법
4.4 알고리즘 구현 내용
Ⅴ. 성능 평가
5.1 실험환경
5.2 실험1 측정
5.3 실험2 측정
5.4 실험결과 분석
Ⅵ. 결론
REFERENCES

저자

• 이민정 [ Minjeong Lee | 한성대학교 IT융합공학부 학생 ]
• 성민지 [ Minji Sung | 한성대학교 IT융합공학부 학생 ]
• 이웅희 [ Woonghee Lee | 한성대학교 AI응용학과 조교수 ] Corresponding author

참고문헌