[제136회 정보관리기술사 1교시 1번] 연합학습(Federated Learning) — 데이터 프라이버시를 지키는 분산 AI 학습

출제 의도 분석

의료·금융 데이터처럼 외부 공유가 불가한 민감 데이터를 활용한 AI 학습 방법으로, 개인정보보호법 강화 흐름과 맞물려 중요도가 높아졌습니다. 수평/수직 분류, 집계 서버 구조, 차분 프라이버시와의 연계까지 아우르면 고득점 답안이 됩니다.

1. 연합학습 개념

연합학습(Federated Learning)이란 원본 데이터를 중앙 서버로 전송하지 않고, 각 참여 기기(클라이언트)에서 로컬로 모델을 학습한 뒤 모델 파라미터(그래디언트)만 중앙 서버에 전송하여 전역 모델을 갱신하는 분산 머신러닝 기법입니다.

2. 유형 비교

3. FedAvg 알고리즘

Google이 제안한 대표 집계 알고리즘으로, 각 클라이언트의 데이터 수(n_k)에 비례하여 가중 평균으로 전역 모델을 갱신합니다.

4. 차분 프라이버시 연계와 한계

• 차분 프라이버시(DP): 그래디언트에 노이즈를 추가하여 역추론 공격으로부터 학습 데이터 보호
• 통신 비용: 대용량 모델의 파라미터 전송이 병목 → 모델 압축·양자화 필요
• 이질적 데이터(Non-IID): 클라이언트마다 데이터 분포가 달라 전역 모델 성능 저하 가능
• Free-rider 문제: 학습에 기여하지 않고 전역 모델만 내려받는 클라이언트