연합학습에서 공정성을 앞세우다: 다면적 접근

초록

본 설문은 연합학습(FL)에서 공정성을 확보하기 위한 최신 연구들을 모델 성능 중심과 역량 중심 두 축으로 분류하고, 주요 공정성 개념·기법·평가지표를 정리한다. 또한 현재 한계와 향후 연구 과제를 제시하여 FL 공정성 연구의 로드맵을 제시한다.

상세 분석

이 논문은 연합학습 시스템에서 발생하는 데이터·디바이스 이질성으로 인한 불공정성을 두 가지 큰 관점으로 체계화한다. 첫 번째는 모델 성능‑지향 접근으로, 클라이언트 간 예측 정확도의 균등성을 목표로 한다. 여기에는 (1) 공정성을 제약조건으로 포함한 단일·다중 목표 최적화(예: FedISM, FedLF), (2) 공정성‑인식 집계 기법(예: FedHEAL, FairFed)으로 클라이언트 기여도를 가중치 조정하거나 그래디언트 정렬을 수행하고, (3) 모델 개인화 전략(예: ShapFed‑W, DBE)으로 데이터 분포가 다른 클라이언트에 맞춤형 파라미터를 제공한다. 특히 Sharpness‑aware 최적화와 레이어‑별 그래디언트 조정은 특정 클라이언트가 전체 모델을 지배하는 현상을 완화한다는 점에서 의미가 크다. 두 번째는 역량‑지향 접근으로, 클라이언트의 연산·통신·데이터 양 등 물리적·환경적 제약을 고려한다. 공정한 클라이언트 선택(Fair Participant Selection)과 자원 배분, 기여도 스케일링 기법은 저성능 디바이스가 학습에서 소외되지 않도록 설계된다. 논문은 이러한 방법들을 공정성 개념(클라이언트 수준, 그룹 수준, 성능 분포, 기여 보상, 기대·후회 등)과 연결시켜, 각각이 어떤 시나리오에 적합한지 명확히 구분한다.

평가 측면에서는 Statistical Parity Difference, Equal Opportunity Difference와 같은 전통적 통계적 지표뿐 아니라, GLFOP이 제시한 Unique/Redundant/Masked Disparity와 같은 정보‑분해 기반 메트릭을 도입해 공정성‑정확도 트레이드오프를 정량화한다. 또한 악의적 공격(EAB‑FL)과 같은 보안‑공정성 교차 문제를 조명한다.

핵심 인사이트는 다음과 같다. (1) 기존 연구는 주로 클라이언트 선택에 초점을 맞추었으나, 모델 성능 불균형을 동시에 다루는 통합 프레임워크가 필요하다. (2) 다중 목표 최적화와 개인화는 공정성‑성능 균형을 맞추는 핵심 기술이며, 이를 위한 효율적인 알고리즘 설계가 아직 미비하다. (3) 공정성 평가지표가 다양해짐에 따라, 서로 다른 지표 간의 상관관계와 실제 서비스 요구에 맞는 지표 선택이 중요한 연구 과제로 남아 있다. (4) 연합학습 환경에서의 동적 자원 변동과 클라이언트 이탈을 고려한 적응형 공정성 메커니즘이 요구된다.