전자정보공학부 권민혜 교수 연구팀, 사물인터넷 분야 국제저명학술지 IEEE Internet of Things Journal 게재

‣ 데이터 보안과 AI 효율성 동시에 높인 기술로 상위 4% 저널에 논문 게재

‣ 숭실대, 인공지능·사물인터넷 융합연구 성과로 글로벌 연구 경쟁력 입증

                                                                  <좌측부터 권민혜 교수, 김미르(박사과정), 박희원(석사과정) 연구원>

숭실대학교(총장 이윤재) 전자정보공학부 권민혜 교수 연구팀(박사과정 김미르, 박희원)의 논문(Personalized Split Federated Learning with Early-exit: Pre-training and Online Learning Against Label Shifts)이 IEEE Internet of Things Journal에 게재됐다고 밝혔다.

IEEE Internet of Things Journal은 국제전기전자공학회(IEEE)가 발행하는 사물인터넷(IoT) 분야의 국제저명학술지다.

권 교수 연구팀은 데이터를 외부로 내보내지 않고 스스로 학습하며 변화에 적응할 수 있는 인공지능(AI) 기술을 개발했다.

이번 연구는 각 IoT(사물인터넷) 기기가 원본 데이터를 공유하지 않고도 협력적으로 학습할 수 있는 개인화 연합학습(Personalized Federated Learning) 구조를 제시했다.

이를 통해 개인정보 유출 위험을 최소화하면서도 학습 효율성과 정확도를 동시에 높였다.

기존 인공지능 시스템은 모델 학습을 위해 데이터를 중앙 서버에 모아야 했으나, 이 방식은 개인정보 유출과 통신비용 증가, 기기 성능 제약 등 여러 한계를 지니고 있었다.

권 교수 연구팀은 이러한 문제를 해결하기 위해 각 IoT 기기가 자체 데이터를 기반으로 모델 일부를 독립적으로 학습하고, 서버에는 암호화된 손실값(loss value)만 전송하는 방식을 고안했다.

이로써 데이터는 단 한 번도 외부로 유출되지 않으면서 서버와 다수의 기기가 협력해 하나의 고성능 AI를 공동 학습할 수 있게 됐다.

이번 연구의 핵심은 서버가 정답 데이터(라벨)을 직접 받지 않아도 학습이 가능한 ‘대리 타깃(surrogate target)’ 생성 기법이다. 이를 통해 기존 연합학습의 주요 취약점이던 라벨 공유에 따른 프라이버시 침해 문제를 근본적으로 차단했다.

그 결과 학습 효율을 유지하면서도 데이터 보안성이 강화됐으며, 통신량은 절반 이하로 줄었다.

<(a) 사전 학습과 (b) 온라인 학습 단계로 구성된 모델 구조로, 데이터를 서버와 공유하지 않아 보안성이 높다.>

 연구팀은 ‘온라인 적응 학습(Online Learning)’ 구조도 도입해, 환경 변화가 실시간으로 발생하는 상황에서도 안정적인 성능을 유지하도록 설계했다.

기존의 정적 학습 모델은 변하는 환경을 반영하지 못해 성능이 떨어지는 한계가 있었다. 이에 권 교수 연구팀은 AI가 학습 패턴을 스스로 조정하는 온라인 학습과 서버의 대형 모델이 각 기기에 지식을 전달하는 지식증류(Knowledge Distillation) 방식을 결합해 문제를 해결했다.

그 결과 각 기기는 별도의 서버 연결 없이 스스로 수집한 데이터를 기반으로 모델을 실시간 보정하면서 전체 시스템의 지식을 공유할 수 있게 됐다.

특히 권 교수 연구팀은 ‘얼리-엑시트(Early-exit)’ 구조를 도입해 서버 도움 없이도 빠르게 결과를 예측할 수 있도록 했다. 이는 자율주행차나 네트워크가 불안정한 산업 현장에서 유용하게 활용될 수 있다.

시뮬레이션 결과, 제안된 기술은 기존 연합학습 및 스플릿러닝 방식 대비 평균 18.5% 높은 정확도를 보였으며, 데이터 분포가 변화하는 상황에서는 최대 30.9%까지 성능이 향상됐다. 또한 통신량은 약 40~60% 감소, 학습 속도와 안정성 역시 크게 향상됐다.

이 같은 연구 성과는 엣지 디바이스 기반 AI 시스템의 보안·효율·지연시간 문제를 동시에 해결할 실질적 대안으로 평가된다.

김미르 학생은 “이번 연구는 각 기기가 자신의 데이터를 외부에 노출하지 않으면서 변화하는 환경에 실시간으로 적응할 수 있는 고성능 AI 구조를 제시한 것”이라며 “자율주행·제조·의료 등 데이터 보호와 신뢰성이 중요한 산업에서 AI 실용화를 앞당길 수 있을 것”이라고 말했다.

박희원 학생은 “이번 연구가 중앙서버에 의존하는 기존 AI 구조에서 벗어나 스스로 학습하고 협력하는 AI로 전환하는 계기가 되길 바란다”고 밝혔다.

이번 연구는 정보통신기획평가원(IITP)의 ‘분산·협력 AI 기반 5G+ 네트워크 데이터 분석 기능 및 제어 기술 개발’ 과제의 지원으로 수행됐다.

사물인터넷 분야 국제저명학술지 IEEE Internet of Things Journal에 게재된 논문 (Personalized Split Federated Learning with Early-exit: Pre-training and Online Learning Against Label Shifts)

 https://ieeexplore.ieee.org/document/11143204 

홍보팀(pr@ssu.ac.kr)