연합학습을 위한 패턴 및 그룹 기반 효율적인 분산 합의 최적화

인공지능으로 자동화와 연결성이 극대화되는 4차 산업혁명 시대를 맞이하여 모델의 업데이트를 위한 데이터 수집과 활용의 중요성이 점차 높아지고 있다. 인공지능 기술을 사용하여 모델을 생성하기 위해서는 일반적으로 데이터를 한곳에 모아야 업데이트할 수 있으나, 이런 경우 사용자의 개인정보를 침해할 수 있다. 본 논문에서는 분산 저장된 데이터를 직접 공유하지 않으면서 서로 협력하여 모델을 업데이트할 수 있는 분산형 기계학습 방법인 연합학습을 소개하며, 기존의 서버 없이 참여자들 간의 분산 합의 최적화를 이루는 연구를 소개한다. 또한, Kir...

Full description

Saved in:
Bibliographic Details
Published inInteonet jeongbo hakoe nonmunji = Journal of Korean Society for Internet Information Vol. 23; no. 4; pp. 73 - 85
Main Authors 강승주, Seung Ju Kang, 천지영, Ji Young Chun, 노건태, Geontae Noh, 정익래, Ik Rae Jeong
Format Journal Article
LanguageKorean
Published 한국인터넷정보학회 30.08.2022
Subjects
Online AccessGet full text
ISSN1598-0170
2287-1136

Cover

Abstract 인공지능으로 자동화와 연결성이 극대화되는 4차 산업혁명 시대를 맞이하여 모델의 업데이트를 위한 데이터 수집과 활용의 중요성이 점차 높아지고 있다. 인공지능 기술을 사용하여 모델을 생성하기 위해서는 일반적으로 데이터를 한곳에 모아야 업데이트할 수 있으나, 이런 경우 사용자의 개인정보를 침해할 수 있다. 본 논문에서는 분산 저장된 데이터를 직접 공유하지 않으면서 서로 협력하여 모델을 업데이트할 수 있는 분산형 기계학습 방법인 연합학습을 소개하며, 기존의 서버 없이 참여자들 간의 분산 합의 최적화를 이루는 연구를 소개한다. 또한, Kirkman Triple System을 기반으로 한 패턴 및 그룹을 생성하는 알고리즘을 이용하며, 병렬적인 업데이트 및 통신을 하는 패턴 및 그룹 기반 분산 합의 최적화 알고리즘을 제안한다. 이러한 알고리즘은 기존의 분산 합의 최적화 알고리즘 이상의 프라이버시를 보장하며, 모델이 수렴할 때까지의 통신시간을 감소시킨다. In the era of the 4th industrial revolution, where automation and connectivity are maximized with artificial intelligence, the importance of data collection and utilization for model update is increasing. In order to create a model using artificial intelligence technology, it is usually necessary to gather data in one place so that it can be updated, but this can infringe users' privacy. In this paper, we introduce federated learning, a distributed machine learning method that can update models in cooperation without directly sharing distributed stored data, and introduce a study to optimize distributed consensus among participants without an existing server. In addition, we propose a pattern and group-based distributed consensus optimization algorithm that uses an algorithm for generating patterns and groups based on the Kirkman Triple System, and performs parallel updates and communication. This algorithm guarantees more privacy than the existing distributed consensus optimization algorithm and reduces the communication time until the model converges.
AbstractList 인공지능으로 자동화와 연결성이 극대화되는 4차 산업혁명 시대를 맞이하여 모델의 업데이트를 위한 데이터 수집과 활용의 중요성이 점차 높아지고 있다. 인공지능 기술을 사용하여 모델을 생성하기 위해서는 일반적으로 데이터를 한곳에 모아야 업데이트할 수있으나, 이런 경우 사용자의 개인정보를 침해할 수 있다. 본 논문에서는 분산 저장된 데이터를 직접 공유하지 않으면서 서로 협력하여 모델을 업데이트할 수 있는 분산형 기계학습 방법인 연합학습을 소개하며, 기존의 서버 없이 참여자들 간의 분산 합의 최적화를이루는 연구를 소개한다. 또한, Kirkman Triple System을 기반으로 한 패턴 및 그룹을 생성하는 알고리즘을 이용하며, 병렬적인 업데이트 및 통신을 하는 패턴 및 그룹 기반 분산 합의 최적화 알고리즘을 제안한다. 이러한 알고리즘은 기존의 분산 합의 최적화 알고리즘이상의 프라이버시를 보장하며, 모델이 수렴할 때까지의 통신시간을 감소시킨다. In the era of the 4th industrial revolution, where automation and connectivity are maximized with artificial intelligence, the importance of data collection and utilization for model update is increasing. In order to create a model using artificial intelligence technology, it is usually necessary to gather data in one place so that it can be updated, but this can infringe users' privacy. In this paper, we introduce federated learning, a distributed machine learning method that can update models in cooperation without directly sharing distributed stored data, and introduce a study to optimize distributed consensus among participants without an existing server. In addition, we propose a pattern and group-based distributed consensus optimization algorithm that uses an algorithm for generating patterns and groups based on the Kirkman Triple System, and performs parallel updates and communication. This algorithm guarantees more privacy than the existing distributed consensus optimization algorithm and reduces the communication time until the model converges. KCI Citation Count: 0
In the era of the 4th industrial revolution, where automation and connectivity are maximized with artificial intelligence, the importance of data collection and utilization for model update is increasing. In order to create a model using artificial intelligence technology, it is usually necessary to gather data in one place so that it can be updated, but this can infringe users' privacy. In this paper, we introduce federated learning, a distributed machine learning method that can update models in cooperation without directly sharing distributed stored data, and introduce a study to optimize distributed consensus among participants without an existing server. In addition, we propose a pattern and group-based distributed consensus optimization algorithm that uses an algorithm for generating patterns and groups based on the Kirkman Triple System, and performs parallel updates and communication. This algorithm guarantees more privacy than the existing distributed consensus optimization algorithm and reduces the communication time until the model converges. 인공지능으로 자동화와 연결성이 극대화되는 4차 산업혁명 시대를 맞이하여 모델의 업데이트를 위한 데이터 수집과 활용의 중요성이 점차 높아지고 있다. 인공지능 기술을 사용하여 모델을 생성하기 위해서는 일반적으로 데이터를 한곳에 모아야 업데이트할 수 있으나, 이런 경우 사용자의 개인정보를 침해할 수 있다. 본 논문에서는 분산 저장된 데이터를 직접 공유하지 않으면서 서로 협력하여 모델을 업데이트할 수 있는 분산형 기계학습 방법인 연합학습을 소개하며, 기존의 서버 없이 참여자들 간의 분산 합의 최적화를 이루는 연구를 소개한다. 또한, Kirkman Triple System을 기반으로 한 패턴 및 그룹을 생성하는 알고리즘을 이용하며, 병렬적인 업데이트 및 통신을 하는 패턴 및 그룹 기반 분산 합의 최적화 알고리즘을 제안한다. 이러한 알고리즘은 기존의 분산 합의 최적화 알고리즘 이상의 프라이버시를 보장하며, 모델이 수렴할 때까지의 통신시간을 감소시킨다.
인공지능으로 자동화와 연결성이 극대화되는 4차 산업혁명 시대를 맞이하여 모델의 업데이트를 위한 데이터 수집과 활용의 중요성이 점차 높아지고 있다. 인공지능 기술을 사용하여 모델을 생성하기 위해서는 일반적으로 데이터를 한곳에 모아야 업데이트할 수 있으나, 이런 경우 사용자의 개인정보를 침해할 수 있다. 본 논문에서는 분산 저장된 데이터를 직접 공유하지 않으면서 서로 협력하여 모델을 업데이트할 수 있는 분산형 기계학습 방법인 연합학습을 소개하며, 기존의 서버 없이 참여자들 간의 분산 합의 최적화를 이루는 연구를 소개한다. 또한, Kirkman Triple System을 기반으로 한 패턴 및 그룹을 생성하는 알고리즘을 이용하며, 병렬적인 업데이트 및 통신을 하는 패턴 및 그룹 기반 분산 합의 최적화 알고리즘을 제안한다. 이러한 알고리즘은 기존의 분산 합의 최적화 알고리즘 이상의 프라이버시를 보장하며, 모델이 수렴할 때까지의 통신시간을 감소시킨다. In the era of the 4th industrial revolution, where automation and connectivity are maximized with artificial intelligence, the importance of data collection and utilization for model update is increasing. In order to create a model using artificial intelligence technology, it is usually necessary to gather data in one place so that it can be updated, but this can infringe users' privacy. In this paper, we introduce federated learning, a distributed machine learning method that can update models in cooperation without directly sharing distributed stored data, and introduce a study to optimize distributed consensus among participants without an existing server. In addition, we propose a pattern and group-based distributed consensus optimization algorithm that uses an algorithm for generating patterns and groups based on the Kirkman Triple System, and performs parallel updates and communication. This algorithm guarantees more privacy than the existing distributed consensus optimization algorithm and reduces the communication time until the model converges.
Author Ji Young Chun
천지영
강승주
Ik Rae Jeong
Seung Ju Kang
Geontae Noh
노건태
정익래
Author_xml – sequence: 1
  fullname: 강승주
– sequence: 2
  fullname: Seung Ju Kang
– sequence: 3
  fullname: 천지영
– sequence: 4
  fullname: Ji Young Chun
– sequence: 5
  fullname: 노건태
– sequence: 6
  fullname: Geontae Noh
– sequence: 7
  fullname: 정익래
– sequence: 8
  fullname: Ik Rae Jeong
BackLink https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART002872944$$DAccess content in National Research Foundation of Korea (NRF)
BookMark eNo9zDtLw1AABeCLVLDW_gKXu7gIgftI7mMsxUe1UNDulzQPCampJC6OSiYRXCy2koLgUrcMVutfam7-g8GK04FzPs42qEWjyNsAdUIENzCmrAbq2JLCQJijLdBMkmCALEo5pxLVQV8_5-X4vRxP9f1Cz1Kos7QcZ7B8mJfpByzyR7j6WhZv33C1zIt8AsuXuc7m-vVWz5aw-Ez1XQ6rAz2bQL3Iqr6cPu2ATd8eJl7zLxvg_PCg3z42ur2jTrvVNUJhUcN1hCc4Y9JyOJHEkq4pLIJtf2A6jmTMR54pXIdKVs22JJ4gXqWF4yLsm5I2wP76NYp9FTqBGtnBb16MVBir1lm_ozBCVFCTVnhvjcMguQ5U5CZDddI67RFECJGUYWwyLnnldv9doq7i4NKObxSVHFOE6Q_zWXy0
ContentType Journal Article
DBID HZB
Q5X
JDI
ACYCR
DEWEY 004
DatabaseName Korean Studies Information Service System (KISS)
Korean Studies Information Service System (KISS) B-Type
KoreaScience
Korean Citation Index
DatabaseTitleList


DeliveryMethod fulltext_linktorsrc
Discipline Engineering
Computer Science
DocumentTitleAlternate 연합학습을 위한 패턴 및 그룹 기반 효율적인 분산 합의 최적화
Efficient distributed consensus optimization based on patterns and groups for federated learning
EISSN 2287-1136
EndPage 85
ExternalDocumentID oai_kci_go_kr_ARTI_10038343
JAKO202229361146797
3971301
GroupedDBID .4S
AEMOZ
AHQJS
AKVCP
ALMA_UNASSIGNED_HOLDINGS
ARCSS
EBA
EBE
EBR
EBU
EDO
EPL
HZB
Q5X
TH9
TUS
JDI
ACYCR
ID FETCH-LOGICAL-k853-dc8e876695c729259d48521afb4cc966f0e48dc396729a92e82e6698cd01f493
ISSN 1598-0170
IngestDate Fri Nov 17 19:18:54 EST 2023
Fri Dec 22 11:58:42 EST 2023
Thu Apr 17 08:29:58 EDT 2025
IsOpenAccess true
IsPeerReviewed false
IsScholarly true
Issue 4
Language Korean
LinkModel OpenURL
MergedId FETCHMERGED-LOGICAL-k853-dc8e876695c729259d48521afb4cc966f0e48dc396729a92e82e6698cd01f493
Notes Korean Society for Internet Information
KISTI1.1003/JNL.JAKO202229361146797
OpenAccessLink http://click.ndsl.kr/servlet/LinkingDetailView?cn=JAKO202229361146797&dbt=JAKO&org_code=O481&site_code=SS1481&service_code=01
PageCount 13
ParticipantIDs nrf_kci_oai_kci_go_kr_ARTI_10038343
kisti_ndsl_JAKO202229361146797
kiss_primary_3971301
PublicationCentury 2000
PublicationDate 20220830
PublicationDateYYYYMMDD 2022-08-30
PublicationDate_xml – month: 08
  year: 2022
  text: 20220830
  day: 30
PublicationDecade 2020
PublicationTitle Inteonet jeongbo hakoe nonmunji = Journal of Korean Society for Internet Information
PublicationTitleAlternate 인터넷정보학회논문지
PublicationYear 2022
Publisher 한국인터넷정보학회
Publisher_xml – name: 한국인터넷정보학회
SSID ssib053377390
ssib053835315
ssib001195163
ssib018233818
ssj0001908993
ssib036278810
ssib004698036
Score 2.208683
Snippet 인공지능으로 자동화와 연결성이 극대화되는 4차 산업혁명 시대를 맞이하여 모델의 업데이트를 위한 데이터 수집과 활용의 중요성이 점차 높아지고 있다. 인공지능 기술을...
In the era of the 4th industrial revolution, where automation and connectivity are maximized with artificial intelligence, the importance of data collection...
SourceID nrf
kisti
kiss
SourceType Open Website
Open Access Repository
Publisher
StartPage 73
SubjectTerms ADMM
Communication time
Federated learning
Optimization
Privacy
Weight model
가중치 모델
연합학습
최적화
컴퓨터학
통신시간
프라이버시
Title 연합학습을 위한 패턴 및 그룹 기반 효율적인 분산 합의 최적화
URI https://kiss.kstudy.com/ExternalLink/Ar?key=3971301
http://click.ndsl.kr/servlet/LinkingDetailView?cn=JAKO202229361146797&dbt=JAKO&org_code=O481&site_code=SS1481&service_code=01
https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART002872944
Volume 23
hasFullText 1
inHoldings 1
isFullTextHit
isPrint
ispartofPNX 인터넷정보학회논문지, 2022, 23(4), , pp.73-85
journalDatabaseRights – providerCode: PRVEBS
  databaseName: Business Source Ultimate
  customDbUrl:
  eissn: 2287-1136
  dateEnd: 99991231
  omitProxy: false
  ssIdentifier: ssj0001908993
  issn: 1598-0170
  databaseCode: AKVCP
  dateStart: 20141201
  isFulltext: true
  titleUrlDefault: https://search.ebscohost.com/login.aspx?authtype=ip,uid&profile=ehost&defaultdb=bsu
  providerName: EBSCOhost
link http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwnV1Lb9NAEF615QIHBBREeVSWYE-WKzt-ZPdoO6lKKx4SBfVm-ZWSBmKUphduoJwQEhcqWkglJC7llgOF8pca5z8ws7ZjgxAqXJzxenZ2d2ad_Wa9u0PIbS0ITYTxSgB_i4rhW5riBzVTibUWj3BUUEXMyLv3rJVHxuqGuTEz-7GyammnHyyFL_64r-R_rAppYFfcJfsPlp0KhQSgwb5wBQvD9VQ2pk2X8jp1VNpsUG5Sm-cE5_iI2dQxBU-DMkMWFKQaBZMrI8VcajNBGNRBLgcFsmWgID9IZ5hk69ThWRITBQouzoQIbgsRQnxG2CBBy4t2WCbUEkVDBWqQVa5UWXAJUS5WGISUEhrYlixAcYGhcRIz6cZ9eQt-NoNEfuJ3kljuJt1nO92ttkz1hlzB2WtJD782VJenZtOgICHfjFVdjCCaqGLVcg2KCmLz3ZIF6lkr6lnHxSLYBkaZVrI4lJlCdyBCA8UKDeuQqSrFLgpCNZmYiTdpFi-7mIoBLx7nltXpyzO1nhANGmxM9VxYUZgHiXqlELCAntcj7yHCcMytjku4E1LLYqwsxSKtBs6ugiF5KuNPFhamQDJmOcgXCxt-G_t_OWW8E7a9zcTr9Dzwpe7gadY60w19lszCoDBHzthrj90HJdbWAJxXzm7DUKQAh4p78Ft1RIPFPQAljFyglhOg4ouz2ABTNA5gEXhN2-AnovPUBrjX7bUqcG_9Ajmf9x_Jzl66i2Smk1wi5yqnd86T9fT9aLL7ZbK7n74-Sg8GUjocTHaH0uTN4WTwVRqP3kon34_Hn39IJ8ej8WhPmnw4TIeH6aeX6cGxNP42SF-NJBCQHuxJ6dEQ0if77y6Th8vNdXdFyYOUKB1AukoUshgAhcXNENzUmskjgwEi9luBEYbcslpqbLAo1LkFj31ei1ktBm4WRqrWMrh-hczB6xFfJVJgRnoL4zWoZssIYzXwQwAqoRbxSPN9q75A5lE53vPsFBoPHAnAn9oCWRTK8rrR9lNv1V67jz0TQLyF5w3UOeS7BVoUxv2Lka-dius6OVv2-xtkrt_biW8CKO8Hi3n3-AnxV7_X
linkProvider EBSCOhost
openUrl ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=%EC%97%B0%ED%95%A9%ED%95%99%EC%8A%B5%EC%9D%84+%EC%9C%84%ED%95%9C+%ED%8C%A8%ED%84%B4+%EB%B0%8F+%EA%B7%B8%EB%A3%B9+%EA%B8%B0%EB%B0%98+%ED%9A%A8%EC%9C%A8%EC%A0%81%EC%9D%B8+%EB%B6%84%EC%82%B0+%ED%95%A9%EC%9D%98+%EC%B5%9C%EC%A0%81%ED%99%94&rft.jtitle=Inteonet+jeongbo+hakoe+nonmunji+%3D+Journal+of+Korean+Society+for+Internet+Information&rft.au=%EA%B0%95%EC%8A%B9%EC%A3%BC&rft.au=%EC%B2%9C%EC%A7%80%EC%98%81&rft.au=%EB%85%B8%EA%B1%B4%ED%83%9C&rft.au=%EC%A0%95%EC%9D%B5%EB%9E%98&rft.date=2022-08-30&rft.pub=%ED%95%9C%EA%B5%AD%EC%9D%B8%ED%84%B0%EB%84%B7%EC%A0%95%EB%B3%B4%ED%95%99%ED%9A%8C&rft.issn=1598-0170&rft.eissn=2287-1136&rft.spage=73&rft.epage=85&rft.externalDBID=n%2Fa&rft.externalDocID=oai_kci_go_kr_ARTI_10038343
thumbnail_l http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/lc.gif&issn=1598-0170&client=summon
thumbnail_m http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/mc.gif&issn=1598-0170&client=summon
thumbnail_s http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/sc.gif&issn=1598-0170&client=summon