연합 학습의 파티클 군집 최적화 통합
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. 제안된 HFSO 알고리즘은 라운드당 통신 부하를 늘리지 않으면서 심각한 non-IID 조건에서 수렴을 가속화하고 견고성을 향상시키는 것을 목표로 합니다. CIFAR-10 및 FEMNIST 데이터셋에 대한 실험 결과, HFSO는 FedAvg 및 최신 이질성 인식 방법(FedNova, MOON, CCVR)보다 우수한 성능을 보였습니다. 특히 CIFAR-10에서 HFSO는 500라운드에서 74.84%의 정확도를 달성하여 FedAvg의 62.44%를 크게 상회했습니다. 분포 분석 결과, HFSO는 최악의 클라이언트 정확도를 개선하고 클라이언트 간 분산을 감소시키는 것으로 나타났습니다. 제한된 화이트박스 위협 모델에서의 경험적 프라이버시 평가에서는 공격에 대한 취약성이 감소함을 보여주었습니다. 이는 HFSO가 non-IID 환경에서 연합 학습의 효율성과 안정성을 크게 향상시킬 수 있음을 시사합니다.