데이터 각각 학습 기여도 측정해 샘플 선택...정확도 유지하고, 속도 4.5배↑
연합학습으로 인한 스마트폰 과부하 최소화할 것
(내외방송=정지원 과학전문 기자) 앞으로 인공지능이 다수의 전자기기 데이터를 학습할 때도 속도가 매우 빨라질 전망이다.
KAIST는 2일 '내외방송'에 보낸 자료에서 "이성주 전기및전자공학부 교수 연구팀이 국제공동연구를 통해 다수의 모바일 기기 위해서 인공지능 모델을 학습할 수 있는 연합학습 기술의 학습 속도를 4.5배 가속할 수 있는 방법론을 개발했다"고 밝혔다.
이 교수 연구팀은 지난 6월 27~7월 1일 열린 세계컴퓨터연합회(ACM) 주최로 열린 제20회 모바일 시스템과 애플리케이션 서비스 국제학술대회에서 연합학습의 학습 속도 향상을 위한 데이터 샘플 최적 선택과 데드라인(마감시한) 조절 방법론을 발표했다.
연합학습은 개인정보 유출 없이 방대한 사용자 기기 데이터를 활용할 수 있어 의료 인공지능 기술 등 새로운 인공지능 서비스를 개발할 수 있게 해 최근 각광 받고 있다.
구글이나 애플, 타오바오 등 세계적 빅테크 기업들이(대형 IT기업) 널리 도입하고 있다.
하지만, 실제로는 인공지능 학습이 사용자의 스마트폰에서 이뤄져 기기에 과부하를 일으켜 배터리 소모와 성능 저하 등이 발생할 수 있다.
연구팀은 연합학습에 참여하는 사용자 기기 데이터 샘플의 학습 기여도를 측정해 최적의 샘플을 선택해 연합학습 속도 향상을 달성했다.
샘플을 선택함으로써 줄어든 학습 시간에 대응해 연합학습의 데드라인 또한 최적으로 조절하는 기법을 제안해 모델 정확도 저하 없이 학습 속도를 4.5배 높였다.
이를 통해 연합학습으로 인한 사용자 스마트폰 과부하 문제를 최소화할 수 있을 것으로 기대된다.
이 교수는 "연합학습은 많은 세계적인 기업들이 사용하는 중요한 기술"이라며 "이번 연구 결과는 연합학습의 학습 속도를 향상하고, 활용도를 높이는 데 의미가 있다"고 말했다.
이어 "컴퓨터 비전과 자연어 처리, 모바일 센서 데이터 등 다양한 응용에서 모두 좋은 성능을 보여 빠른 파급효과를 기대한다"고 덧붙였다.
한편, 이 연구는 과학기술정보통신부의 재원으로 한국연구재단과 정보통신기술진흥센터의 지원을 받아 수행됐다.
또, 신재민 박사과정이 제1저자로 참여하고, 중국 칭화대학과 국제협력으로 이뤄졌다(논문명: FedBalancer: Data and Pace Control for Efficient Feserated Learning on Heterogeneous Clients).