earticle

영어

Federated learning (FL) is a learning method suitable for the intelligent Internet of Things (IoT), and in a situation where data is decentralized, a number of IoT devices and a server cooperate to build a global model in FL. Since FL includes communication processes to perform learning, efficient communication is connected directly to better performance of FL. Therefore, in this paper, we analyzed the transmission of learning models and the learning round progress of FL by considering the communication situation. We analyzed the transmission delay of devices and the transmissions of local and global models depending on the communication situation in FL. As a result, the analysis shows that the communication situation is the major factor affecting FL performance because large amounts of communication are repeated frequently in FL and that it is important to adjust various parameters of FL properly by considering the communication situation.

한국어

기술의 발전으로 사물인터넷은 스스로 판단하고 동작을 수행하는 인공지능 기반의 지능형 사물인터넷으 로 발전하고 있다. 연합학습은 지능형 사물인터넷에 적합한 학습 방법으로서, 데이터가 탈중앙화된 상황에서 다수 의 사물인터넷 기기들과 서버가 협력하여 글로벌 모델을 학습시킨다. 연합학습은 학습을 수행하기 위해 통신 과정 이 필수적으로 포함되므로 효율적인 통신은 곧 연합학습의 성능향상으로 직결된다. 본 논문에서는 통신상황에 따 른 연합학습에서의 모델 전송 및 학습 라운드 진행에 대한 분석을 수행하였다. 그 과정에서 연합학습에서의 통신 상황에 따른 참여 기기들의 전송 소요 시간, 전송 로컬 모델 수 및 글로벌 모델 전송에 대한 분석을 수행하였다. 그 결과, 연합학습을 수행하기 위한 여러 과정들에서 많은 양의 통신이 반복적으로 수행되기 때문에 통신상황은 연합학습 성능에 영향을 주는 주요한 요소임을 보였으며, 학습에 참여하는 최소 기기 수와 한 라운드 소요 시간의 상한이 통신상황에 따라 적절하게 조절되어야 지연 없는 연합학습 수행이 가능함을 보였다.