VREM-FL: 차량 연합 학습을 위한 이동성 인지형 계산 스케줄링 공동 설계

보조 및 자율 주행 기술은 급속도로 발전하고 있으며 곧 현실화될 전망이다. 스마트 차량이 내장 센서를 통해 수집하는 막대한 양의 데이터 덕분에 인공지능(AI)과 머신러닝은 이 기술의 핵심적 enabling 기술로 평가받고 있다. 연합 학습(Federated Learning)은 차량의 데이터 프라이버시를 보호하면서도 통신 자원 사용을 최적화하는 동시에 글로벌 머신러닝 모델을 훈련시키는 데 있어 가장 유망한 기법 중 하나로 주목받고 있다. 본 논문에서는 차량 환경 맵 기반 연합 학습(Vehicular Radio Environment Map Federated Learning, VREM-FL)을 제안한다. 이는 차량의 이동성과 5G 무선 환경 맵을 결합한 계산-스케줄링 공동 설계 기법으로, 글로벌 모델의 학습 성능을 최적화하고 통신 및 계산 자원을 지혜롭게 할당하는 것을 목표로 한다. VREM-FL은 무선 채널 맵을 활용하여 차량 내부에서의 로컬 계산을 적응적이고 예측 가능한 방식으로 조율하고, 로컬 모델의 전송을 효율적으로 수행함으로써 이를 실현한다. 제안된 알고리즘은 훈련 시간과 무선 자원 사용량 사이에서 트레이드오프를 조절할 수 있도록 조정 가능하다. 실험 결과, 선형 회귀 모델의 경우 학습 시간을 28% 감소시키며, 의미 이미지 세그멘테이션을 위한 심층 신경망의 경우 동일한 시간 창 내에서 모델 업데이트 횟수를 두 배로 늘리는 등, 기존 문헌의 벤치마크보다 우수한 성능을 보였다.