클래스 불균형 환경에서의 연합학습 성능 향상을 위한 클래스별 그래디언트 분해 및 적응형 집계 기법에 관한 연구
A Study on Class-wise Gradient Decomposition and Adaptive Aggregation for Enhancing Federated Learning Performance under Class Imbalance
- 주제(키워드) 도움말 연합학습 , Non-IID , 클래스 불균형 , 통계적 이질성 , 그래디언트 분해 , 적응형 모델 집계
- 발행기관 강원대학교 일반대학원
- 지도교수 도움말 박상욱
- 발행년도 2026
- 학위수여년월 2026. 6
- 학위명 석사
- 학과 및 전공 도움말 일반대학원 전자공학과（강릉）
- 세부분야 해당없음
- 실제URI http://www.dcollection.net/handler/kangnung/000000012507
- UCI I804:42001-000000012507
- 본문언어 한국어
목차 도움말
Ⅰ. 서론 1
Ⅱ. 관련연구 4
1. 표준 연합학습의 운영 메커니즘 및 통계적 취약성 4
1) 글로벌 목적 함수 4
2) FedAvg: 표준 분산 최적화 알고리즘 5
3) 심층 신경망 기반 연합학습의 비볼록성 6
4) Non-IID 데이터 환경 7
2. 베이스라인 알고리즘 8
1) FedAvg: 의사 그래디언트 기반의 재해석 8
① 통계적 이질성 하에서의 한계 9
2) FedProx 9
① 근접 항의 도입 10
② 가변적 로컬 연산 11
③ 통계적 이질성 하에서의 한계 11
3) FedLA 12
① 클래스 다양성을 반영한 집계 가중치 산출 12
② 클라이언트 단위로 산출된 집계 가중치의 한계 13
Ⅲ. 제안 방법 14
1. 문제 정의 14
2. FedClsGrad 14
3. 적응형 서버 학습률 16
Ⅳ. 실험 19
1. 데이터베이스 19
1) Non-IID 상황 재현 방법론 19
2) 데이터셋 및 분할 설정 20
2. 실험 설정 21
3. 결과 22
1) 다양한 클라이언트 수 및 고정된 β 하에서의 정확도 22
2) 클래스별 성능 및 편향 완화 24
Ⅴ. 고찰 및 논의 25
Ⅵ. 결론 27
참고문헌 28
Abstract 30
