변동 전송률 기반 차량 연합학습 최적화

초록

본 논문은 이동성이 높은 차량 네트워크에서 불완전한 채널 상태 정보(I‑CSI)를 고려한 연합학습(FL) 시스템을 설계한다. 차량별 전송률을 동적으로 선택하고, 라운드 시간을 유연하게 조정하는 이중 목표 최적화 프레임워크(VR‑VFL)를 제안한다. 제안 방식은 학습 수렴 속도와 라운드 소요 시간을 동시에 최소화하며, 시뮬레이션 결과 기존 방법 대비 약 40 % 빠른 수렴을 입증한다.

상세 분석

VR‑VFL은 차량 연합학습(VFL) 환경에서 두 가지 핵심 난제를 동시에 해결한다. 첫째, 고속 이동에 의해 시간에 따라 급격히 변하는 채널을 현실적으로 모델링하기 위해 Gauss‑Markov 과정을 이용한 시간 상관 I‑CSI 모델을 도입하였다. 이 모델은 채널 추정 오차가 SINR의 분모에만 작용한다는 물리적 사실을 반영해, 전송 전력 증가가 오히려 오류 항을 확대시키는 비선형 효과를 정확히 포착한다. 둘째, 차량마다 서로 다른 잔여 체류 시간(Tₜᵥ)과 데이터 양을 고려해, 각 라운드의 최소 전송률 R_min과 최대 전송률 R_max를 정의하고, 이를 기반으로 성공 전송 확률 P(Aᵥ|ĥᵥ)를 확률적 형태로 유도하였다.

이러한 채널·전송 모델을 바탕으로 논문은 두 목표를 동시에 최적화하는 bi‑objective 문제를 수식화한다. 첫 번째 목적은 ∑₍ᵥ₎ Dᵥ uᵥ P(Aᵥ|ĥᵥ) 를 최대화해 가능한 많은 차량을 라운드에 참여시키는 것이며, 두 번째 목적은 maxᵥ exp(−(2RᵥWᵥ−1)) 를 최소화해 라운드 시간을 단축하는 것이다. α∈