Development of Adaptive Resource Management Techniques for Large-Scale Global Training of Heterogeneous Devices in Hierarchical Split Federated Learning Environment
개인기초연구(과기정통부)(R&D) · 우수연구-핵심연구(기본연구B)
2026년
2710114467
과학기술정보통신부
한국연구재단
제주대학교
길준민
3명
2026.09.01 ~ 2027.08.31
2026.09.01 ~ 2029.08.31
6,435만원
6,435만원
기초연구
대학
제주특별자치도 제주시
정보/통신 > 정보이론 > Cloud computing/Grid computing
... 중 계층적 연합학습(Hierarchical Federated Learning, HFL)은 클라이언트와 중앙 서버 사이에 엣지 서버 등의 중간 계층을 두어 모델을 단계적으로 집계함으로써 중앙 ... 학습(Hierarchical Split Federated Learning, HSFL)은 AI 모델을 클라이언트-엣지-클라우드와 같은 다중 계층에 걸쳐 모델을 분할하여 순차적으로 학습을 진행하고, 각 ...
... 자원 제약, 통신 병목, 데이터 및 디바이스 이질성 문제를 체계적으로 해결하기 위해, ① 클라우드-엣지 협업 기반의 적응적 HSFL 프로비저닝, ② 전역 모델의 동적 업데이트에 대한 서비스 ... 네트워크 트래픽과 엣지 자원 상태를 고려한 적응적 모델 분할 및 배치 기법을 개발하고, ② 클라이언트 지역성을 반영하여 최소 자원으로 최대 커버리지를 확보하는 애그리게이터 배치 기법을 설계하고 ...
... 본 연구의 기술개발은 국가과학기술표준분류상 '서버기술' 및 '분산컴퓨팅' 분야에 속하며, 클라우드컴퓨팅 및 인공지능 분야와 밀접하게 연관되어 있다. 그리고, 플랫폼 및 인프라 서비스 내의 핵심 ... 양성된 인력은 관련 산업체에서 주도적 역할을 할 수 있을 것으로 기대한다. 한편, 본 연구는 클라이언트-엣지-클라우드로 구성된 다계층 컴퓨팅 환경에서 수행되는 계층적 분할 연합 학습(HSFL)을 ...