연합학습
연합 학습은 원시 데이터를 한곳에 수집하지 않고 여러 장치 또는 조직에서 공유 모델을 교육합니다.
개요
모델 업데이트만 서버로 전송되기 때문에 민감한 데이터는 그 위치에 머무릅니다.
심층 분석
일반적인 훈련에서는 모든 데이터가 중앙 서버에 모아집니다. 연합 학습은 이를 뒤집습니다. 글로벌 모델이 참가자(전화, 병원, 은행)에게 전송되고 각 참가자는 자체 데이터에 대해 로컬로 훈련한 다음 결과적인 체중 변화만 다시 전송됩니다. 서버는 이러한 업데이트를 개선된 글로벌 모델로 평균화하고 반복합니다. Google에서는 사람들이 입력한 내용을 업로드하지 않고도 수백만 대의 휴대폰에서 키보드 예측을 개선하는 Gboard에 대한 아이디어를 도입했습니다. 이 접근 방식은 병원 전체에 분산된 의료 기록과 같이 데이터가 비공개이거나 규제되거나 이동하기에는 너무 큰 경우에 빛을 발합니다. 문제에는 신뢰할 수 없는 장치, 참가자 간에 크게 다른 데이터(비 IID 데이터), 원시 업데이트가 여전히 정보를 유출할 수 있다는 사실이 포함되며, 이것이 개인 정보 보호 기술과 결합되는 이유입니다.
기술적 통찰력
고전적인 알고리즘은 FedAvg(Federated Averaging)입니다. 각 클라이언트는 여러 로컬 경사 하강 단계를 실행한 다음 서버는 일반적으로 각 클라이언트가 보유한 데이터 양에 따라 가중치가 부여된 새 가중치의 가중 평균을 취합니다. 클라이언트는 동기화하기 전에 여러 단계를 훈련하기 때문에 모든 그라디언트를 보내는 것에 비해 통신 라운드가 급격히 감소합니다. 업데이트로 인해 데이터가 유출되는 것을 막기 위해 페더레이션 시스템은 서버가 결합된 합계만 볼 수 있도록 하는 보안 집계와 보정된 노이즈를 주입하는 차등 개인 정보 보호 기능을 추가합니다.
전략적 영향
비용 및 예산
아키텍처 결정은 수년 동안 성능과 운영 비용을 결정합니다.
더 명확한 결정들
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다.
품질 관리
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다.
연합 학습의 미래
연합 학습은 키보드에서 HIPAA 및 GDPR과 같은 규정으로 인해 데이터 풀링이 어려워지는 의료, 금융 및 IoT 분야에서 조직 간 사용으로 이동하고 있습니다. 차등 개인 정보 보호 및 보안 집계, TensorFlow Federated, Flower 및 NVIDIA FLARE와 같은 프레임워크가 프로덕션을 위해 성숙해지면서 더욱 긴밀한 통합을 기대합니다. 조직이 기밀 텍스트에 대한 모델을 공동으로 개선할 수 있도록 대규모 언어 모델을 연합하여 미세 조정하는 기술이 점점 더 발전하고 있습니다. 고르지 않게 분산되고 신뢰할 수 없는 참가자를 더 잘 처리하는 것이 주요 연구 추진 과제로 남아 있습니다.
실제 구현
Google Gboard는 키 입력을 업로드하지 않고도 휴대전화 전반에서 다음 단어 및 그림 이모티콘 예측을 개선합니다.
병원은 보호된 환자 기록을 공유하지 않고 진단 영상 모델을 공동으로 교육합니다.
은행은 각 기관의 거래를 비공개로 유지하면서 사기 탐지 모델을 위해 협력하고 있습니다.
Apple은 로컬 학습을 사용하여 QuickType 및 Siri 제안과 같은 기기 내 기능을 개인화합니다.
위험 및 가드레일
하나의 벤치마크를 최적화하면 더 광범위한 시스템 약점을 숨길 수 있습니다.
인프라 및 유지 관리 비용은 종종 과소평가됩니다.
시스템이 더욱 복잡해짐에 따라 보안 및 관찰 가능성의 격차가 커질 수 있습니다.
구현 로드맵
구현하기 전에 지연 시간, 품질, 비용 목표를 정의하세요.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요.
계속 탐색하세요
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Federated Learning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
다음 가이드
머신러닝을 위한 CI/CD
자주 묻는 질문
연합학습이란 무엇인가요?
연합 학습은 원시 데이터를 한곳에 수집하지 않고 여러 장치 또는 조직에서 공유 모델을 교육합니다. 모델 업데이트만 서버로 이동하므로 중요한 데이터는 해당 위치에 유지됩니다.
연합 학습의 핵심 아이디어는 무엇입니까?
연합 학습은 원시 데이터를 로컬에 유지합니다. 각 참가자는 자체 데이터를 학습하고 서버가 결합한 모델 업데이트만 보냅니다.
Federated Averaging(FedAvg) 알고리즘은 서버에서 어떤 작업을 수행합니까?
FedAvg는 클라이언트의 로컬 학습 가중치를 단일 개선된 글로벌 모델로 결합하여 일반적으로 사용한 데이터 양에 따라 각 클라이언트에 가중치를 부여합니다.
예측을 개선하기 위해 연합 학습을 사용한 것으로 유명한 제품은 무엇인가요?
Google에서는 Gboard의 연합 학습을 사용하여 사용자가 입력한 내용을 수집하지 않고도 수백만 대의 휴대전화에서 텍스트 예측을 개선했습니다.
의료 데이터에 연합 학습이 매력적인 이유는 무엇입니까?
건강 데이터는 비공개이고 규제되므로 공유 모델을 구축하면서 로컬로 유지하는 것이 데이터를 모으는 것보다 HIPAA와 같은 법률에 훨씬 더 적합합니다.
모델 업데이트만으로는 자동으로 완전 비공개가 아닌 이유는 무엇인가요?
경사도 및 가중치 변경을 통해 훈련 예시에 대한 세부정보를 확인할 수 있으며, 이것이 바로 보안 집계 및 차등 개인정보 보호가 추가된 이유입니다.