Core Concepts
다양한 사용 사례에 적합한 연합학습 알고리즘을 선별하기 위해 포괄적인 평가 지표를 제안한다.
Abstract
이 연구는 연합학습(Federated Learning, FL) 알고리즘을 다양한 사용 사례에 효과적으로 적용하기 위한 포괄적인 평가 지표인 HEM(Holistic Evaluation Metrics)을 제안한다.
주요 사용 사례로 IoT, 스마트 기기, 기관을 선정하고 각 사례에 대한 평가 지표의 중요도를 정의하였다.
HEM은 정확도, 수렴성, 계산 효율성, 공정성, 개인화 등 5가지 평가 지표 요소로 구성된다.
각 평가 지표 요소에 대한 중요도 벡터를 사용 사례별로 다르게 설정하여 HEM 지수를 계산한다.
다양한 FL 알고리즘과 개인화 방법을 평가한 결과, HEM 지수를 통해 사용 사례에 가장 적합한 FL 알고리즘을 효과적으로 선별할 수 있음을 보여주었다.
개인화 방법 적용 시 정확도와 계산 효율성은 향상되지만 공정성이 저하되는 trade-off가 존재함을 확인하였다.
Stats
연합학습 알고리즘의 정확도는 84%에서 89% 사이로 나타났다.
수렴성 지수는 0.67에서 0.94 사이의 범위를 보였다.
계산 효율성 지수는 0.00에서 0.89 사이의 값을 나타냈다.
공정성 지수는 0.00에서 1.00 사이의 분포를 보였다.
Quotes
"연합학습 알고리즘의 평가 시 단일 지표만을 사용하는 것은 한계가 있으며, 사용 사례별 요구사항을 고려한 포괄적인 평가가 필요하다."
"개인화 방법 적용 시 정확도와 계산 효율성은 향상되지만 공정성이 저하되는 trade-off가 존재한다."