earticle

영어

To perform federated learning (FL) in real environments, many devices are required and various situations should be considered. This leads to high-cost consumption, so we need a process to measure performance through simulation before conducting FL in a real environment. In addition, the existing FL has a limitation in that it does not consider users’ devices which can be utilized for training. To overcome such limitation, in this paper, we implemented the FL simulator that parameterizes various factors in FL to consider diverse devices and situations. Also, the concept of Learning Agent was considered so that the simulator includes training by using users’ idle devices. The simulator was implemented on Windows 11 using Python 3.9. Using the simulator, we performed the various simulations in the assumed situations. As a result, on average, the total training time was halved and the time required to reach the saturation point of accuracy was reduced by one-third. These results showed that the proposed simulator can be used for researches using various users’ idle devices and measure performance before constructing FL systems in real environments.

한국어

실제 환경에서 연합학습을 수행하기 위해 많은 기기가 준비되어야 하고 다양한 상황들에 대한 고려가 필 요하다. 이는 높은 비용 소모를 야기하므로 실제 환경에서 연합학습을 구축하기 전에 시뮬레이션을 통해 성능 측 정을 해보는 과정이 필요하다. 또한 기존의 연합학습 방법은 개인이 소유하고 있는 다양한 기기들을 고려하지 않 는다는 한계를 가지고 있다. 이와 같은 한계를 극복하기 위해 본 논문에서는 연합학습에 사용되는 다양한 인자들을 파라미터화한 시뮬레이터를 구현하였고 개인이 소유한 다양한 기기가 활용된 학습이 고려될 수 있도록 Learning Agent 개념을 추가하였다. 제안한 시뮬레이터는 Windows 11, Python3.9의 환경에서 구현되었으며, 본 논문에서 가정한 상황에서 시뮬레이션 한 결과 Learning Agent를 사용한 경우, 평균적으로 전체 학습 시간은 1/2 가량 줄 어들었으며 상한 정확도에 수렴하기까지의 소요 시간은 1/3 가량 줄어듦을 확인하였다. 따라서 제안된 시뮬레이터 는 사용자의 다양한 기기를 활용한 연구에 활용될 수 있을 것이며 실제 환경에 연합학습을 구축하려는 상황에서 성능 측정을 위해 활용할 수 있는 도구가 될 것으로 기대한다.