자동연합 프롬프트 기반 맞춤형 교통 예측 프레임워크

초록

AutoFed는 프롬프트 학습 아이디어를 도입한 개인화 연합 학습(PFL) 모델로, 각 클라이언트의 교통 데이터를 압축한 전역 프롬프트 행렬을 공유하고 이를 기반으로 개인화된 예측기를 학습한다. 하이퍼파라미터 튜닝 없이도 비IID 환경에서 높은 예측 정확도를 달성한다.

상세 분석

AutoFed는 기존 연합 학습이 직면한 비IID 문제와 교통 예측에 특화된 그래프 구조 처리의 복잡성을 동시에 해결한다는 점에서 혁신적이다. 핵심 설계는 ‘연합 표현자(federated representor)’와 ‘클라이언트 정렬 어댑터(client‑aligned adapter)’이다. 각 클라이언트는 로컬 교통 시계열 및 그래프 데이터를 어댑터를 통해 저차원 프롬프트 행렬로 변환한다. 이 프롬프트는 모든 클라이언트가 공유하는 전역 매개변수로서, 클라이언트 간 지식 전이를 촉진한다. 동시에 프롬프트는 개인화 예측기(predictor)의 입력으로 사용되어, 각 클라이언트는 전역 지식과 로컬 특성을 동시에 반영한 맞춤형 모델을 얻는다.

AutoFed의 가장 큰 장점은 하이퍼파라미터 자동화이다. 기존 PFL 연구는 학습률, 클라이언트 샘플링 비율, 모델 깊이 등 다수의 파라미터를 데이터셋별로 최적화해야 했지만, AutoFed는 프롬프트 차원과 어댑터 구조만을 사전 정의하고 나머지는 연합 과정에서 자동으로 조정된다. 이는 실제 교통 서비스 현장에서 데이터 스펙이 사전에 알려지지 않은 상황에서도 바로 적용 가능하게 만든다.

또한, 프롬프트 기반 설계는 통신 효율성에도 기여한다. 로컬 모델 전체를 전송하는 대신, 압축된 프롬프트 행렬(크기 O(d·k), d는 프롬프트 차원, k는 어댑터 파라미터 수)만을 교환하므로 전송량이 크게 감소한다. 이는 대규모 도시 네트워크에서 연합 학습을 실시간으로 운영할 수 있는 기반을 제공한다.

실험에서는 중국·미국·유럽 등 다양한 실제 교통 데이터셋을 사용해 기존 FL, PFL, 그리고 최신 그래프 기반 예측 모델과 비교하였다. 비IID 정도가 높을수록 AutoFed의 성능 격차가 확대되었으며, 평균 MAE/ RMSE 개선폭이 5~12%에 달했다. 또한, 통신 비용과 학습 시간 측면에서도 기존 방법 대비 30% 이상 절감되는 결과를 보였다.

한계점으로는 프롬프트 차원 선택이 여전히 사전 지식에 의존한다는 점과, 매우 드문 이벤트(예: 대규모 사고) 예측에 대한 민감도가 낮을 수 있다는 점을 들 수 있다. 향후 연구에서는 동적 프롬프트 크기 조정과 이벤트 기반 어댑터 강화가 필요하다.