연합 블록체인 기반 분할 가십 학습 프레임워크 FedBGS

초록

**
FedBGS는 이더리움 스마트 계약과 IPFS를 활용해 클라이언트를 자동으로 K‑Means++ 군집화하고, 각 군집에 모델의 마지막 레이어를 분할하여 가십 방식으로 업데이트를 교환한다. 이를 통해 비동질(IID) 데이터, 저장·가스 비용, 단일 장애점 문제를 동시에 해결하고, 차등 프라이버시·동형암호 등 보안 기법을 결합해 완전 탈중앙화된 연합 학습을 구현한다.

**

상세 분석

**
본 논문은 연합 학습(Federated Learning, FL)의 핵심 한계인 중앙 서버 의존성, 비IID 데이터에 대한 성능 저하, 블록체인 저장 비용을 동시에 해결하고자 하는 시도로서, 세 가지 기술적 축을 결합한다. 첫째, ‘Federated Analytics’를 이용한 One‑Shot Federated K‑Means++ 군집화는 각 참여자의 데이터 분포를 직접 노출하지 않으면서 클라이언트를 동적으로 세그먼트(Cluster)로 구분한다. K‑Means++는 초기 중심점 선택을 확률적으로 최적화해 군집 품질을 향상시키며, 단일 라운드 통신으로 블록체인 트랜잭션 수를 최소화한다는 장점이 있다. 둘째, 세그먼트별 모델 파라미터를 마지막 완전 연결층(FC)만을 분할해 교환하도록 설계한 ‘Segmented Gossip Learning’은 비IID 환경에서 발생하는 그래디언트 충돌을 완화한다. 각 군집은 자신에게 할당된 파라미터 구간(