29 lines
1.6 KiB
Markdown
29 lines
1.6 KiB
Markdown
---
|
|
id: P-REINFORCE-AI-FEDERATED-LEARNING
|
|
category: "[[10_Wiki/💡 Topics/AI]]"
|
|
confidence_score: 0.96
|
|
tags: [AI, FederatedLearning, Privacy, EdgeComputing]
|
|
last_reinforced: 2026-04-20
|
|
---
|
|
|
|
# [[Federated-Learning]] (연합 학습)
|
|
|
|
## 📌 한 줄 통찰 (The Karpathy Summary)
|
|
> "데이터는 각자가 갖고, '배운 지식'만 클라우드에서 합친다." 개인정보가 담긴 데이터를 중앙 서버로 전송하지 않고, 기기 단에서 학습한 모델의 파라미터(Weight)만 동기화하여 프라이버시를 완벽히 보호하는 분산 학습법이다.
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
- **Process**:
|
|
1. 중앙 서버가 기본 모델을 각 기기에 배포.
|
|
2. 기기는 자신의 로컬 데이터를 사용하여 모델을 개별 학습.
|
|
3. 학습된 '가중치 변화량'만 서버로 전송 (원본 데이터는 기기에 잔류).
|
|
4. 서버는 여러 기기에서 온 지식을 평균(Federated Averaging) 내어 모델 업데이트.
|
|
- **Advantages**: 개인정보 유출 리스크 전면 차단, 데이터 전송 비용 절감.
|
|
- **Use Cases**: 구글 키보드 오타 교정, 의료 데이터 협업 학습, 자율주행 차량 간 지식 공유.
|
|
|
|
## ⚠️ 모순 및 업데이트 (RL Update)
|
|
- 모델 가중치 자체를 역추적하여 거꾸로 원본 데이터를 복원하는 공격(Inversion Attack) 기법이 등장했다. 이를 막기 위해 '차분 프라이버시(Differential Privacy)'와 같은 노이즈 주입 기술이 연합 학습의 필수 짝꿍으로 연구되고 있다.
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- Related: [[Differential-Privacy]] , [[Edge-AI]]
|
|
- Problem: [[Data-Security-in-AI]]
|