Earticle

초록

영어

Federated Learning (FL) allows multiple participants to train shared models without exchanging raw data, protecting privacy but relying on voluntary participation. Effective incentives are therefore critical to ensure engagement and quality contributions. This review synthesizes recent developments, applying transformer-based topic modeling (BERTopic) to classify and compare incentive mechanisms. We propose a four-dimensional framework—covering incentive type, behavioral assumptions, evaluation strategy, and blockchain integration—and examine three primary models: token-based, reputation-based, and hybrid. Token incentives provide clear financial motivation but risk manipulation; reputation systems build trust but face cold-start and scalability issues; hybrids combine strengths but add complexity. We outline domain-specific implications for settings like edge computing, healthcare, and cross-organization collaboration, highlighting the interdisciplinary nature of incentive design.

한국어

연합학습(Federated Learning, FL)은 여러 참여자가 원본 데이터를 직접 교환하지 않고 분산된 환경에서 공동으로 모델을 학습함으로써 개인정보를 보호하고 효율적 협업을 달성할 수 있는 기술로 주목받고 있다. 그러나 참여자의 자발적 협력에 의존하는 특성상, 참여 유도와 기여 품질 확보를 위한 효과적인 인센티브 설계가 중요하 다. 이에 본 연구는 연합학습의 인센티브 메커니즘에 관한 최신 연구를 종합적으로 검토하고, Transformer 기반 토픽 모델링 기법인 BERTopic을 활용하여 연구 동향을 분석하였다. 분석 결과, 인센티브 유형, 행동적 가정, 평 가 전략, 블록체인 통합의 네 가지 차원으로 구성된 설계 프레임워크를 제시하였으며, 토큰 기반·평판 기반·하이브 리드형 인센티브 모델의 특성과 한계를 비교하였다. 마지막으로, 엣지 컴퓨팅, 헬스케어, 기관 간 협업 등 다양한 응용 분야에서의 시사점을 논의하며, 인센티브 메커니즘 연구가 기술·경제·행동과학이 융합된 다학제적 연구 영역 임을 확인하였다.

목차

Abstract
요약
Ⅰ. Research Background
Ⅱ. Related Works
2.1 Federated Learning and Participation Challenges
2.2 Incentive Mechanisms in FL: Token, Reputation, and Hybrid Models
2.3 Blockchain-enabled Incentive Architectures
2.4 Gaps in Existing Reviews and Need for Structural Mapping
Ⅲ. Methodology
3.1 Data Collection and Inclusion Criteria
3.2 Text Preprocessing and Embedding(SBERT)
3.3 Topic Modeling with BERTopic
3.4 Topic Interpretation and Structural Labeling
3.5 Mapping Framework Design and Comparative Criteria
Ⅳ. Results and Structural Insights
4.1 Topic Modeling Results and Thematic Overview
4.2 Typology of Incentive Mechanisms in FL
4.3 Structural Comparison of Token-based, Reputation-based, and Hybrid Designs
4.4 Design Implications and Deployment Scenarios
Ⅴ. Conclusion and Future Research
5.1 Summary of Key Findings
5.2 Theoretical & Practical Contributions
5.3 Research Limitations
5.4 Suggestions for Future Work
REFERENCES

키워드

연합학습 인센티브 메커니즘 토큰 보상 평판 시스템 하이브리드 모델 블록체인 토픽 모델링 Blockchain Federated Learning Incentive Mechanism Incentive Taxonomy Reputation System Token-based Reward

저자

• Minjung Park [ 박민정 | Assistant Professor, Department of Business Administration, Kumoh National Institute of Technology ] Corresponding Author

참고문헌

발행기관

간행물