4편의 한국어 분석 — 최신순으로 정렬했어요
연합 학습(FL)은 분산된 의료 기관들이 데이터 프라이버시를 유지하며 모델 훈련에 협력할 수 있는 유망한 방법으로 주목받고 있습니다. 그러나 기존 연합 학습 방식은 중앙 집중식 집계와 빈번한 가중치 공유에 의존하여, 특히 비독립동일분포(non-IID) 조건에서 분류 및 분할을 포함하는 의료 영상 작업에서 확장성, 견고성, 프라이버시 문제를 야기합니다. 본 논문은 중앙 서버 없이 작동하며, 원시 가중치나 기울기 대신 공유된 공개 참조 데이터셋에서 계산된 온도 스케일링된 소프트 예측만을 전송하는 지식 증류 분산형 연합 학습(KD-DF…
연합 학습(Federated Learning, FL)은 클라이언트의 원시 데이터를 중앙 서버로 모으지 않고도 협력적인 모델 훈련을 가능하게 하지만, 파라미터 교환은 상당한 통신 비용을 발생시키고 모델 아키텍처 호환성을 요구하는 한계가 있습니다. 연합 증류(Federated Distillation, FD)는 이러한 제약을 극복하기 위해 지식 증류(Knowledge Distillation, KD)를 통해 예측 또는 중간 지식을 전송하는 대안적인 접근 방식입니다. FD는 이기종 모델을 지원하고 적절한 환경에서 통신 비용을 줄일 수 있는…
사물 인터넷(IoT)의 급증은 네트워크 공격 표면을 확장하며, 자원 제약적인 환경에서 DDoS 및 봇넷 활동을 정확하게 탐지할 필요성을 증대시켰습니다. 기존 중앙 집중식 침입 탐지 시스템(IDS)은 프라이버시, 확장성, 이질성 문제로 인해 IoT 환경에 부적합합니다. 본 연구는 이러한 한계를 극복하고자 IoT 엣지 네트워크를 위한 연합 학습 기반 침입 탐지 시스템(FL-IDS)을 제안합니다. 제안된 FL-IDS는 각 클라이언트가 하이브리드 CNN-LSTM 모델을 로컬에서 훈련하고, 중앙 서버는 연합 평균화(FedAvg)를 통해 클…
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 장…
