연령 기반 디바이스 선택 및 전송 전력 최적화 통한 공중 무선 연합 학습

초록

본 논문은 오버‑더‑에어 연합 학습(Over‑the‑Air FL)에서 디바이스 선택과 전송 전력 조절을 연령‑정보(AoI) 기반으로 공동 최적화한다. 이론적 수렴 상한을 도출하고, Lyapunov 최적화를 통해 각 라운드마다 디바이스 우선순위를 계산한 뒤 그리디 방식으로 선택한다. 선택된 디바이스에 대해서는 정규화 계수와 전송 전력을 KKT 조건을 이용해 폐쇄형 해로 구한다. 실험 결과, 제안 방법은 평균 제곱오차(MSE)를 감소시키고 모델 정확도를 향상시키며, 공정성·학습 효율·시기 적절성을 균형 있게 유지한다.

상세 분석

이 연구는 오버‑더‑에어 연합 학습(OTA‑FL)에서 발생하는 두 가지 핵심 문제, 즉 (1) 디바이스 선택에 따른 공정성 손실과 (2) 무선 채널 및 디바이스 수에 의존하는 신호 집계 오류를 동시에 다루고 있다. 기존 연구들은 전력 제어, 스케줄링, 혹은 단순한 랜덤/공정 선택에 초점을 맞추었지만, AoI(Information Age)를 활용해 디바이스의 최신 업데이트 정도를 정량화하고 이를 최적화 목표에 포함시킨 점이 차별점이다.

먼저, 저자들은 부분 디바이스 참여 상황에서 OTA‑FL의 수렴 상한을 수학적으로 분석한다. 이때 수렴 상한은 선택된 디바이스 수 K와 집계 오차(노이즈·채널 불일치) 두 변수에 선형·제곱 형태로 의존함을 증명한다. 특히, K가 커질수록 데이터 다양성은 증가해 공정성이 개선되지만, 동일 시그널에 더 많은 디바이스가 합성되면서 평균 제곱오차(MSE)가 급격히 상승한다는 트레이드오프를 명확히 제시한다.

다음으로, 시스템 전체의 기대 가중 피크 AoI(EWS‑PAoI)를 최소화하기 위해 Lyapunov 최적화 프레임워크를 도입한다. 각 디바이스 n에 대해 현재 AoI와 예상 전송 시간, 채널 상태 등을 고려한 가중치 𝜙ₙ(t)를 정의하고, 이 값을 기반으로 그리디 알고리즘을 통해 K개의 디바이스를 선택한다. 이 과정은 실시간으로 수행 가능하도록 복잡도를 O(N log K) 수준으로 유지한다.

선택된 디바이스 집합에 대해서는 전송 전력 αₙ(t)와 정규화 계수 η(t)를 동시에 최적화한다. 목표는 시간 평균 MSE를 최소화하는 것이며, 제약조건으로는 각 디바이스의 최대 전력 P_maxⁿ와 정규화 계수의 양수성만을 둔다. 라그랑주 승수와 KKT 조건을 적용해 문제를 두 단계의 볼록 서브문제로 분해하고, 각각에 대해 폐쇄형 해를 도출한다. 결과적으로 전력 할당은 채널 이득 |hₙ(t)|²에 역비례하면서도 디바이스의 AoI 가중치를 반영해 오래된 디바이스에 더 많은 전력을 부여한다.

실험에서는 CIFAR‑10/100 데이터셋과 비동질(Non‑IID) 데이터 분포를 사용해 20~50개의 디바이스 환경을 시뮬레이션한다. 비교 대상은 (i) 전통적인 랜덤 선택 + 고정 전력, (ii) AoI 기반 선택만 적용, (iii) 전력 최적화만 적용한 방법이다. 결과는 제안 방법이 최종 테스트 정확도에서 평균 2.3%p 상승, MSE는 15% 이상 감소, 그리고 평균 AoI는 30% 이상 감소함을 보여준다. 특히, 약한 디바이스(채널이 나쁘거나 연산 능력이 낮은)도 일정 주기로 선택되어 모델 편향을 크게 완화한다는 점이 강조된다.

이 논문의 주요 기여는 (1) OTA‑FL의 수렴 분석에 AoI 기반 디바이스 선택 효과를 정량화한 이론적 프레임워크, (2) Lyapunov 기반 실시간 디바이스 우선순위 계산과 그리디 선택 알고리즘, (3) 전송 전력·정규화 계수의 공동 최적화를 위한 폐쇄형 해, (4) 공정성, 효율성, 시기성 3가지 목표를 동시에 만족시키는 종합 솔루션을 제시한 점이다. 향후 연구에서는 다안테나 MIMO 채널, 비동기 업데이트, 그리고 프라이버시 보장을 위한 암호화 기법과의 결합을 탐색할 여지가 있다.