연합 추천(FedRec)은 사용자 기기에서 원시 상호작용 데이터를 공유하지 않고 모델을 훈련하여 개인 정보 보호를 강화한 추천 시스템입니다. 그러나 개인화된 FedRec은 개인화와 자원 효율성 사이에서 여전히 상충 관계에 직면해 있습니다. 본 연구는 지역 최적화 관점에서 개인화를 재조명합니다.
충분히 긴 지역 최적화가 사용자별 아이템 구조를 형성할 수 있지만, 잦은 동기화나 전체 교체는 이를 방해할 수 있음을 발견했습니다. 이러한 관찰을 바탕으로, 본 연구는 모델 불가지론적 프레임워크인 FedRKG를 제안합니다. FedRKG는 장기 지역 최적화(Long-Horizon Local Optimization)를 통해 개인화된 아이템 임베딩을 형성하고, 간헐적인 정규화된 지식 유도(Regularized Knowledge Guidance)를 통해 공통 전역 지식을 주입합니다. 이 설계는 지역 임베딩을 교체하거나 이중 표현을 유지할 필요 없이 공유된 협업 신호를 통합합니다.
또한, 사용자-아이템 상호작용 수준에서 전역 지식의 영향을 제어하기 위한 적응형 유도(Adaptive Guidance)를 도입합니다. 광범위한 실험 결과, FedRKG는 저장 및 통신 비용을 절감하면서 최신 FedRec 기준선보다 지속적으로 우수한 성능을 보였습니다.
본 연구는 개인화된 연합 추천 시스템의 효율성과 성능을 동시에 향상시키는 새로운 접근 방식을 제시하며, 향후 관련 연구 및 실제 서비스 개발에 기여할 수 있을 것으로 기대됩니다.
가전제품의 급증은 예측 유지보수, 사용자 개인화, 기기 보안과 같은 핵심 과제에 대한 고급 솔루션의 필요성을 증대시키고 있습니다. 기존 모델은 제한된 적응성과 성능으로 인해 이러한 문제를 해결하는 데 어려움을 겪고 있습니다. 이 연구는 생성적 적대 신경망(GAN), 변이형 오토인코더(VAE), 동적 추천 알고리즘(DRA), 이상 감지 기술을 통합하여 가전제품을 위한 포괄적인 솔루션을 제공하는 혁신적인 AI 모델인 GenAI-A를 소개합니다.
GenAI-A는 생성 AI와 자가 갱신 능력의 강점을 활용하여 예측 유지보수를 강화하고 사용자 경험을 최적화하며 생체 보안을 강화합니다. 이 모델의 하이브리드 아키텍처는 GAN을 사용하여 현실적인 데이터 표현을, VAE를 사용하여 복잡한 데이터 분포 생성을, DRA를 사용하여 실시간 사용자 개인화를 구현합니다. GenAI-A의 독창성은 GAN 및 VAE 모듈 간의 교차 정규화 결합에 있으며, 일관된 생성-표현 학습을 달성하기 위해 공유 손실 함수를 통해 잠재 특징이 공동으로 최적화됩니다.
기존 하이브리드 모델이 이러한 모델을 독립적으로 처리하는 것과 달리, GenAI-A는 DRA 및 이상 감지 모듈이 공유 잠재 공간에서 직접 작동하는 동적 피드백 메커니즘을 도입하여 자가 적응형 개인화 및 생성 출력의 지속적인 개선을 가능하게 합니다. 스마트폰 센서, LFW(Labelled Faces in the Wild), Pecan Street 에너지 소비, SECOM 제조 등 4개의 실제 데이터셋에 대한 실험 검증 결과, 기기 가동 시간, 사용자 참여 및 생체 보안이 크게 향상되었으며 오탐률이 현저히 감소했습니다.
GenAI-A는 진화하는 사용자 행동 및 기기 조건에 실시간으로 적응하는 동적 자가 학습 시스템에 이러한 구성 요소를 통합함으로써 기존 하이브리드 생성 모델과 차별화됩니다. 이는 가전제품의 성능과 사용자 만족도를 혁신적으로 향상시킬 잠재력을 가집니다.
