핵심 요약
AWS가 NVIDIA FLARE와 Amazon EKS를 활용한 연합학습 시스템을 구축하고, IID 균형 데이터(시나리오1), 비대칭 분포(시나리오2), 한 참여자의 저품질 데이터(시나리오3)에서 교차 사이트 평가(CSE)로 성능 차이를 분석했습니다. MNIST FedAvg 워크로드를 예시로 사용했습니다. 전역 모델은 시나리오1에서 97%, 시나리오2에서 96%, 시나리오3에서 98%에 근접한 안정성을 보였습니다. 이 구성은 프라이버시를 유지하면서 협업 학습의 강점을 시사합니다.
구현 방법
- NVIDIA FLARE와 Amazon EKS를 이용한 분산 연합학습 플랫폼 구축
- Scatter and Gather 기반 FedAvg 루프 및 CSE 워크플로 구현
- MNIST FedAvg 실험 설계에 IID/비대칭/저품질 데이터 시나리오 적용
주요 결과
- 시나리오1: 전역 모델 97% 정확도 달성
- 시나리오2: 전역 모델 96%로 안정화, 로컬 간 편차 보완
- 시나리오3: 임포스터 시나리오에도 전역 모델 98%에 근접한 안정성 유지
