Core Concepts
분할 연합 학습에서 클라이언트의 에너지 소비와 프라이버시 수준을 균형있게 유지하기 위한 최적의 컷 레이어 선택 전략을 제안한다.
Abstract
분할 연합 학습(SFL)은 연합 학습(FL)과 분할 학습(SL)의 장점을 결합한 기술로, 빠른 수렴 속도와 프라이버시 보호를 동시에 달성할 수 있다. SFL에서는 전체 모델을 클라이언트 측 모델과 서버 측 모델로 분할하는데, 이때 선택하는 컷 레이어가 클라이언트의 에너지 소비와 프라이버시 수준에 큰 영향을 미친다.
이 논문에서는 SFL 프로세스를 종합적으로 개괄하고, 컷 레이어 선택이 에너지 소비와 프라이버시에 미치는 영향을 심층적으로 분석한다. 특히, 클라이언트의 에너지 예산 내에서 재구성 공격의 위험을 최소화하는 컷 레이어 선택 방안을 제안한다.
실험 결과, 컷 레이어 깊이가 증가할수록 에너지 소비는 증가하지만 프라이버시 수준은 향상되는 것을 확인했다. 이를 바탕으로 제안한 최적화 기법은 에너지 예산 제약 하에서 프라이버시 누출을 최소화할 수 있음을 보였다.
또한 이 논문은 DRL, 프라이버시 및 보안 보호, 경량 설계 등 SFL 분야의 향후 연구 방향을 제시한다.
Stats
클라이언트 수 K = 5
전체 모델 파라미터 수 |W| = 31,484,464
미니배치 크기 Db = 128
전송 데이터 크기 q, q' = 491,520 bits
모델 파라미터 크기 b = 32 bits
순전파 및 역전파 소요 시간 T = 0.00055 seconds
상행링크/하행링크 전송률 (RU1, RU2), (RD1, RD2) = 200 Mbit/s, 100 Mbit/s
클라이언트 계산 전력, 송신 전력, 수신 전력 Pc, Pt, Pr = 4W, 0.2W, 0.2W