사용자 중심 셀프리 MIMO 기반 분할 연합 학습: 지연·정확도 공동 최적화

초록

본 논문은 사용자 중심 셀프리 MIMO 네트워크에 분할 연합 학습(UCSFL) 프레임워크를 도입하고, AP‑클러스터 크기가 학습 정확도에 미치는 영향을 이론적으로 분석한다. 지연‑정확도 비율(사용자당 학습 지연 ÷ 가중 AP‑클러스터 크기)을 최소화하기 위해 업링크 전력 제어, 다운링크 빔포밍, 모델 분할, AP 클러스터링을 공동 최적화한다. 짧은 시간 스케일 문제는 중첩 블록 좌표 하강(NBCD)으로, 긴 시간 스케일 문제는 다중 에이전트 지능형 탐색(MAIS)과 딥 강화학습(DRL)으로 해결한다. 시뮬레이션은 VGG16 모델의 지연‑정확도 비율을 기존 방법 대비 크게 낮추고, MNIST 실험에서 수렴 속도를 가속화함을 보여준다.

상세 분석

UCSFL은 기존 연합 학습(Federated Learning, FL)의 전송 부하와 단말 연산 한계를 극복하기 위해 모델을 두 부분으로 나눈다. 사용자(UE)는 경량 서브 모델만 로컬에서 실행하고, 완전 모델은 AP‑side Distributed Processing Unit(DPU)에서 유지·업데이트한다. 이중 집계 구조—AP‑클러스터 내부에서의 intra‑cluster aggregation과 CPU에서의 inter‑cluster aggregation—는 데이터 병목을 완화하고, AP‑클러스터 규모가 클수록 더 많은 안테나와 계산 자원을 활용해 모델 업데이트 정확도가 향상된다는 수학적 수렴 분석 결과와 일치한다.

핵심 성능 지표인 ‘latency‑to‑accuracy ratio’는 사용자의 1라운드 학습 지연을 해당 사용자가 속한 AP‑클러스터의 가중 크기로 나눈 값이다. 지연은 업링크 전송 시간, AP‑DPU 연산 시간, 다운링크 전송 시간을 모두 포함하며, 클러스터 크기는 AP‑수와 각 AP의 안테나 수, 그리고 할당된 컴퓨팅 주파수(f_DPU)로 가중된다. 따라서 이 비율을 최소화하려면(1) 전력 할당을 통해 SINR을 최적화해 전송 지연을 줄이고, (2) 빔포밍 벡터를 설계해 다운링크 SNR을 향상시키며, (3) 모델 분할 위치를 조정해 UE와 AP‑DPU 간 연산 부하를 균형 맞추고, (4) 동적으로 AP‑클러스터를 재구성해 가중 클러스터 크기를 적절히 조절해야 한다.

문제는 연속 변수(전력, 빔포밍)와 이산 변수(클러스터 구성, 모델 분할) 혼합으로 비선형·비convex 특성을 가진다. 저자들은 이를 시간 스케일에 따라 두 단계로 분해한다. 짧은 시간 스케일(채널 상태와 전력·빔포밍 결정)에서는 Nested Block Coordinate Descent(NBCD) 알고리즘을 적용해 각 블록(전력, 빔포밍)을 순차적으로 최적화한다. 이때 각 블록의 목적함수는 다른 블록이 고정된 상태에서 볼록화될 수 있어 수렴성이 보장된다. 긴 시간 스케일(클러스터링·모델 분할)에서는 탐색 공간이 매우 크므로, Multi‑Agent Intelligent Search(MAIS)와 Deep Reinforcement Learning(DRL) 기반 정책을 결합한다. 각 에이전트는 특정 AP 혹은 모델 레이어에 대한 클러스터/분할 결정을 내리며, 공동 보상은 전체 시스템의 최대 latency‑to‑accuracy ratio 감소에 기반한다.

시뮬레이션에서는 16‑layer VGG16 모델을 사용해, 제안된 UCSFL이 기존 Split‑FL, 전통 FL, 그리고 셀프리 MIMO 기반 FL 대비 평균 30%~45% 정도 latency‑to‑accuracy ratio를 감소시킨다. 특히, AP‑클러스터 크기가 동적으로 변할 때(예: 트래픽 급증, 채널 변동) UCSFL은 모델 분할 깊이와 클러스터 구성을 실시간으로 재조정해 성능 저하를 최소화한다. MNIST 기반 실험에서는 10% 이하의 정확도 손실로 학습 라운드 수를 40% 가량 단축, 수렴 속도를 크게 가속화함을 확인했다.

이러한 결과는 6G 시대의 초저지연·고정밀 AI 서비스 구현에 있어, 통신 인프라와 학습 알고리즘을 공동 설계하는 새로운 패러다임을 제시한다. 특히, 사용자 중심 셀프리 MIMO가 제공하는 매크로 다이버시티와 AP‑DPU의 고성능 연산 능력을 활용해, 연합 학습의 핵심 과제였던 지연·정확도 트레이드오프를 효과적으로 완화한다는 점에서 학계·산업 모두에게 큰 시사점을 제공한다.