엣지와 클라우드 간의 DNN 학습 파이프라인에 대한 컨텍스트 인식 컴파일

머신러닝의 발전으로 스마트폰, 웨어러블 및 IoT 장치를 포함한 엣지 디바이스는 점점 더 지능화되고 있으며, 이에 따라 제한된 자원과의 갈등이 심화되고 있다. 특히 엣지 디바이스에서 모델을 개인화하기 위한 온디바이스 학습은 자원 소모가 매우 크기 때문에 큰 도전 과제로 남아 있다. 본 연구에서는 클라우드의 강력한 계산 능력을 활용하면서도 엣지에서 데이터는 지역에 유지하는 방식으로 엣지와 클라우드를 아우르는 새로운 학습 파이프라인을 제안한다. 제안된 설계의 주요 특징으로는 특징 재생(feature replay)을 통한 병렬 실행, 오차 피드백 기반 특징 압축을 통한 통신 비용 감소, 그리고 상황 인식 기반의 배포 결정 엔진이 있다. 통합 시스템으로 작동하는 본 파이프라인은 학습 속도를 크게 향상시키면서도 정확도 손실이나 추가적인 메모리 또는 에너지 부담을 거의 유발하지 않는다. 다양한 환경(와이파이, 5G, 가정용 IoT)과 다양한 학습 과제(이미지/텍스트 분류, 이미지 생성)에서 시스템을 평가함으로써 기존 최고 수준의 기술 대비 우수성을 입증하였다. 실험 결과는 본 시스템이 다양한 환경에 잘 적응할 뿐만 아니라, 상황에 따라 유연하게 반응함으로써 엣지-클라우드 모델 학습을 위한 실용적이고 효율적인 솔루션을 제공함을 보여주었다.