프라이버시 보장을 위한 효율적인 도시 간 교통 지식 전이

초록

FedTT는 교통 데이터가 부족한 도시에서 데이터 풍부한 도시의 교통 지식을 안전하게 전이하기 위해 설계된 연합 학습 프레임워크이다. 결측 데이터 보완을 위한 트래픽 뷰 임퓨테이션, 도시 간 데이터 분포 차이를 정규화하는 트래픽 도메인 어댑터, 그리고 경량 암호화 기반 트래픽 시크릿 집계 프로토콜을 핵심 모듈로 도입한다. 실험 결과 4개 실제 데이터셋에서 14개 기존 방법을 크게 앞서며, 프라이버시 유출 위험을 최소화하면서도 학습 효율과 예측 정확도를 동시에 향상시킨다.

상세 분석

본 논문은 교통 예측 분야에서 데이터 부족 문제와 프라이버시 보호 요구를 동시에 만족시키는 새로운 연합 학습 체계인 FedTT를 제안한다. 기존 연합 교통 지식 전이(FTT) 연구는 주로 모델 파라미터나 그래디언트를 중앙 서버에 전송하는 방식에 의존했으며, 이는 역전파 공격에 의해 원본 데이터가 유추될 위험이 있었다. FedTT는 이러한 위험을 근본적으로 차단하기 위해 ‘트래픽 시크릿 전송(TST)’이라는 경량 암호화 집계 방식을 도입한다. TST는 동형암호(HE)의 높은 연산 비용을 회피하면서도 차등프라이버시(DP)와 달리 모델 성능 저하를 일으키지 않는다. 구체적으로, 각 클라이언트는 변환된 트래픽 데이터를 비밀 공유(secret sharing) 방식으로 분할하고, 서버는 이들을 합산해 집계값을 복원한다. 이 과정은 통신량을 최소화하고, 암호화 연산을 클라이언트 측에서 수행함으로써 전체 학습 파이프라인의 효율성을 유지한다.

두 번째 핵심 기여는 ‘트래픽 도메인 어댑터(TDA)’이다. 도시마다 교통 흐름, 속도, 점유율 등의 통계적 특성이 크게 달라 전이 학습 시 도메인 간 격차가 성능 저하의 주요 원인이 된다. TDA는 소스 도시의 데이터 분포를 목표 도시의 분포와 정렬하기 위해 세 단계(도메인 변환, 정렬, 클래스화)를 수행한다. 변환 단계에서는 소스 데이터에 대한 통계적 매핑을 학습하고, 정렬 단계에서는 적대적 학습(adversarial learning) 기반의 도메인 판별기를 활용해 두 분포를 최소화한다. 마지막 클래스화 단계에서는 변환된 데이터를 목표 도시의 라벨링 체계에 맞게 재구성한다. 이를 통해 소스와 타깃 간의 분포 차이를 효과적으로 완화하고, 전이된 지식이 목표 도시에서 바로 활용될 수 있다.

세 번째 혁신은 ‘트래픽 뷰 임퓨테이션(TVI)’이다. 실제 교통 센서는 고장, 유지보수, 통신 장애 등으로 결측값이 빈번히 발생한다. 기존 연구는 결측값을 0으로 채우거나 단순 평균으로 대체했지만, 이는 시계열 연속성을 파괴하고 모델 학습에 악영향을 미친다. TVI는 공간적 뷰 확장과 시간적 뷰 강화라는 두 축을 통해 결측값을 복원한다. 공간적 뷰에서는 인접 센서와 그래프 신경망을 이용해 지역적 패턴을 추정하고, 시간적 뷰에서는 과거·미래 시점의 데이터를 활용한 변분 오토인코더(VAE) 기반 예측기로 결측값을 보완한다. 이렇게 보강된 데이터는 TDA와 TST에 입력되어 전반적인 전이 효율을 높인다.

마지막으로 ‘연합 병렬 학습(FPT)’ 모듈은 전체 파이프라인을 분산·병렬화한다. 기존 연합 학습은 두 단계(소스 모델 학습 → 글로벌 모델 전이 → 타깃 파인튜닝)를 순차적으로 수행해 시간 비용이 크게 늘었다. FedTT는 스플릿 러닝(split learning)과 병렬 최적화를 결합해 각 모듈(TVI, TDA, TST)을 동시에 학습한다. 클라이언트는 로컬에서 TVI와 TDA를 사전 처리하고, 변환된 중간 표현만을 서버에 전송한다. 서버는 이들을 집계해 전역 모델을 즉시 업데이트하고, 타깃 도시에서는 바로 파인튜닝을 진행한다. 실험 결과, 통신 라운드 수가 40배 이상 감소했으며, 전체 학습 시간도 비연합 대비 3배 이상 단축되었다.

종합적으로, FedTT는 (1) 프라이버시 보호를 위한 경량 암호화 집계, (2) 도메인 차이 완화를 위한 어댑터, (3) 결측 데이터 복원을 통한 데이터 품질 향상, (4) 병렬 학습을 통한 효율성 증대라는 네 가지 핵심 요소를 통합함으로써 기존 14개 SOTA 방법을 크게 앞선다. 특히, 실험에 사용된 PeMSD4, PeMSD8, HK‑Traffic, Nashville 데이터셋에서 MAE 감소율이 5.43%~22.78%에 달했으며, 프라이버시 위험 지표(Risk)도 0에 근접하는 수준을 유지한다.