연합학습 시스템의 현주소와 미래

본 설문 논문은 연합학습(Federated Learning, FL) 시스템을 체계적으로 조명하고, 향후 연구 방향을 제시한다. 서론에서는 데이터가 조직 간에 분산되어 있는 현실과 GDPR·PDP‑A·CCPA 등 규제로 인해 원시 데이터를 직접 공유하기 어려운 상황을 설명한다. 이러한 배경에서 FL은 데이터 섬을 연결해 고품질 모델을 공동 학습할 수 있는 방법으로 부상했으며, 이를 지원하기 위한 시스템·인프라의 필요성이 강조된다. **2절**에서는 연합학습 시스템의 정의와 기존 연합 데이터베이스(FDBS)·연합 클라우드와의 비교를 통해, 연합학습이 자율성·이질성·분산성이라는 기본 특성을 유지하면서도 프라이버시 보호와 안전한 연산이라는 새로운 제약을 추가한다는 점을 명확히 한다. 시스템 구성 요소는 (1) 파티(클라이언트) – 하드웨어 능력, 규모·안정성, 데이터 비IID 특성을 고려, (2) 매니저(서버 또는 탈중앙화 노드) – 중앙 집중형·블록체인 기반·완전 탈중앙형 등 다양한 형태, (3) 통신‑연산 프레임워크 – 파라미터 동기화, 모델 업데이트, 압축·전송 메커니즘 등으로 구분된다. 파티의 하드웨어 제약(모바일 디바이스 vs. 조직 서버), 파티 수와 참여율(수십 vs. 수백만), 데이터 분포(가로·세로 분할, 비IID) 등이 설계에 미치는 영향을 상세히 논의한다. **3절**에서는 연합학습 시스템을 여섯 가지 축으로 분류한다. 1. **데이터 분포** – 가로(샘플)와 세로(특성) 분할을 모두 포괄하고, 비IID 상황을 완화하기 위한 메타학습·전이학습·멀티태스크 학습 기법을 제시한다. 2. **머신러닝 모델** – 딥 뉴럴 네트워크, Gradient Boosted Decision Trees(GBDT), 로지스틱 회귀, SVM 등 다양한 모델을 지원하는 시스템 설계 방안을 제시한다. 각 모델에 맞는 파라미터 동기화 방식(FedAvg, FedAvg‑Tree, Federated Gradient 등)을 비교한다. 3. **프라이버시 메커니즘** – 차등 프라이버시, 동형암호, 안전 다중연산, 보안 합성 등 다양한 보호 기법을 분류하고, 시스템 레벨에서의 구현 비용·성능 손실을 정량화한다. 4. **통신 구조** – 중앙집중형, 계층형, 완전 탈중앙형(블록체인)으로 나누어, 대규모 디바이스 환경에서의 통신 효율성, 지연, 신뢰성 등을 평가한다. 5. **연합 규모** – cross‑silo(소수 조직)와 cross‑device(수백만 디바이스)로 구분하고, 각각의 네트워크 특성(안정성, 참여율 변동)과 시스템 설계 전략을 제시한다. 6. **연합 동기** – 협업(공동 모델), 경쟁(모델 마켓), 하이브리드 등 비즈니스 목적과 규제 요건에 따라 선택 가능한 연합 형태를 논한다. **4절**에서는 위 분류 기준에 따라 기존 주요 연합학습 시스템들을 정리한다. Google의 대규모 모바일 FL 시스템, Zhao et al.의 Federated GBDT, Li et al.의 Federated Gradient, Kim et al.의 블록체인 기반 탈중앙 FL 등 다양한 사례를 제시하고, 각 시스템이 어떤 축을 중점으로 설계되었는지 분석한다. 이를 통해 설계 선택이 모델 정확도, 통신 비용, 프라이버시 보장 수준에 어떤 영향을 미치는지 실증적으로 보여준다. **5절**에서는 성공적인 연합학습 시스템을 위한 설계 요인을 도출한다. (1) 효율적인 파라미터 압축·전송, (2) 동적 파티 선택·스케줄링, (3) 프라이버시‑효율 트레이드오프 최적화, (4) 탈중앙화와 신뢰성 확보, (5) 규제·법적 요구사항과의 정합성, (6) 자동화된 시스템 구성 도구와 표준화된 벤치마크의 필요성을 강조한다. **6절**(실제 논문에서는 7절)에서는 향후 연구 방향을 제시한다. 대규모 비동기 FL, 멀티모달·멀티태스크 연합, 프라이버시 보호와 효율성의 공동 최적화, 연합 학습을 위한 운영 체제 수준 지원, 그리고 국제 표준화와 정책 연계 연구가 필요하다고 주장한다. 결론적으로, 이 설문은 연합학습 시스템을 시스템 엔지니어링 관점에서 최초로 포괄적으로 정리했으며, 여섯 축을 통한 분류 체계와 사례 분석을 통해 연구자와 개발자가 설계 선택을 체계적으로 판단하도록 돕는다. 또한, 현재의 한계와 미래 과제를 명확히 제시함으로써 연합학습 시스템의 실용화와 성숙에 기여한다.