3편의 한국어 분석 — 최신순으로 정렬했어요
최근 엣지 컴퓨팅은 인공지능 기능을 통합하여 효율성을 높이는 핵심 기술로 주목받고 있습니다. 그러나 엣지에서의 머신러닝(ML) 모델 배포 및 추론에 주로 초점이 맞춰져 있었으며, 모델 학습 측면은 상대적으로 덜 탐구되었습니다. 본 조사는 엣지 학습, 특히 엣지 환경에서의 ML 모델 학습 최적화 개념을 심층적으로 탐구합니다. 이 연구는 엣지 학습의 다양한 접근 방식과 방법론을 종합적으로 탐색하고, 기존 지식을 통합하며, 주요 도전 과제를 식별하고, 미래 동향을 제시하는 것을 목표로 합니다. Scopus와 Web of Science의…
본 연구는 함수 데이터 분석(FDA)에서 차등 프라이버시(DP) 보존 문제를 체계적으로 탐구한다. 함수 평균 추정부터 변동 계수 모델 추정까지 폭넓게 다루며, 여러 서버가 각각 희소하게 관측된 함수들을 수집하는 분산 학습 프레임워크를 제안한다. 이 계층적 구조는 복합적인 프라이버시 개념을 도입한다. 각 함수 내에서는 사용자 수준의 차등 프라이버시가 적용되며, 서버 수준에서는 중앙 집중식 데이터 수집을 고려하여 중앙 차등 프라이버시가 적용된다. 서버 간에는 연합 차등 프라이버시 제약 조건을 준수하며 오직 비공개 정보만이 교환된다. …
연합 학습(FL)은 원본 데이터를 중앙 집중화하지 않고 분산 모델 훈련을 가능하게 하여 프라이버시에 민감한 IoT 환경에 적합합니다. 그러나 기존 FL 알고리즘은 통계적으로 이질적인(non-IID) 데이터 분포에서 클라이언트 드리프트로 인해 수렴 속도가 느려지고 성능이 저하되는 문제가 있습니다. 본 논문은 이러한 문제를 해결하기 위해 확률적 경사 하강법의 클라이언트 업데이트 규칙에 파티클 군집 최적화(PSO) 역학(속도 평활화, 개인 최적 기억, 전역 최적 조정)을 통합한 하이브리드 연합-군집 최적화(HFSO) 알고리즘을 제안합니다…
