earticle

영어

Unlike centralized learning, federated learning has a distributed learning method that individual devices perform model training locally and then transmit weights to the central server. Therefore, the appropriate devices and communication methods should be selected as the computational and communication performance, and situation of individual devices can have a great impact on learning. However, the existing federated learning has limitations in not using various communications through multiple paths simultaneously and reliable and available idle devices around clients. To overcome this, in this paper, we conduct a study on improvement of federated learning using learning agent and multipath-based model split transmission. We evaluated the proposed technique through simulations and experiments using the real devices. The evaluation results show that the training time was reduced and the learning performance improved when the proposed technique was used compared to the existing method.

한국어

연합학습은 데이터를 중앙 서버에 모아서 학습하는 중앙집중식 학습과 달리 개별 기기에서 모델 학습을 진행한 후 중앙 서버로 가중치들을 전송하는 분산식 학습 방식을 가진다. 따라서 개별 기기의 연산 성능과 통신 성 능 및 상황이 모델 학습에 큰 영향을 끼칠 수 있으므로 적절한 기기와 통신 방식을 선택해야 한다. 하지만 기존 연 합학습은 클라이언트 주위의 신뢰할 수 있는 가용 유휴 장치와 다양한 통신 및 다중 경로를 사용하지 않는 한계가 존재한다. 이를 극복하기 위해, 본 논문에서는 Learning agent 활용 및 다중 경로 기반 모델 분할 전송을 통한 연 합학습 개선 연구를 수행하였다. 시뮬레이션과 실제 장치를 활용한 실험을 통해 제안한 기법을 평가하였으며, 기존 연합학습과 비교하여 제안한 기법을 활용한 경우 학습 시간의 감소 및 학습 성능의 향상을 확인할 수 있었다.