2nd/10_Wiki/Topics_Blog/Federated-Learning.md

id, category, confidence_score, tags, last_reinforced

id	category	confidence_score	tags	last_reinforced
FED-LEARN-001	10_Wiki/💡 Topics/AI	1.0	ai machine-learning federated-learning privacy distributed-computing	2026-04-26

Federated Learning (연합 학습)

📌 한 줄 통찰 (The Karpathy Summary)

"데이터는 각자의 자리에 두고, 지능(모델)만을 이동시켜 함께 성장하라" — 원본 데이터를 중앙 서버로 수집하지 않고, 분산된 여러 장치(Edge)에서 모델을 학습시킨 후 학습된 가중치(Gradient)만을 모아 전역 모델을 업데이트하는 프라이버시 보호형 분산 학습 기술.

📖 구조화된 지식 (Synthesized Content)

• 추출된 패턴: "데이터의 이동" 대신 "모델의 이동"을 통해 개인정보 유출 리스크를 원천 차단하고, 파편화된 로컬 데이터를 활용하여 더 강력한 공용 모델을 구축하는 상생형 협업 패턴.
• 작동 프로세스:
  1. 중앙 서버가 초기 모델을 모든 참여 단말기에 배포.
  2. 각 단말기는 자신의 로컬 데이터로 모델을 학습.
  3. 학습된 결과(가중치 업데이트값)만 서버로 전송.
  4. 서버는 전송받은 결과들을 집계(Aggregation)하여 전역 모델 업데이트.
  5. 업데이트된 모델을 다시 단말기에 배포 (반복).
• 장점: 강력한 개인정보 보호, 네트워크 대역폭 절감, 실시간 사용자 경험 데이터 활용 가능.

⚠️ 모순 및 업데이트 (Contradictions & RL Update)

• 과거 데이터와의 충돌: 대규모 데이터를 모으는 것이 AI 성능의 전제조건이라는 믿음을 깨고, 데이터 공유 없이도 고성능 모델 학습이 가능함을 입증.
• 정책 변화: Antigravity 프로젝트는 향후 사용자의 개인적인 위키 지식을 학습에 반영할 때, 보안을 최우선으로 하기 위해 연합 학습 아키텍처 도입을 검토함.

🔗 지식 연결 (Graph)

• Data-Ethics-and-Privacy, Edge-AI-and-Computing, Distributed-Computing, Trustworthy-AI
• Raw Source: 10_Wiki/Topics/AI/Federated-Learning.md