연합 학습 (Federated Learning)에서의 양자화 (Quantization): 방법론, 과제 및 향후 방향

연합 학습 (Federated Learning, FL)은 개인정보를 보호하는 분산 지능을 위한 기초적인 패러다임이 되었으나, 통신 병목 현상, 기기 이질성(device heterogeneity), 그리고 통계적으로 비독립적 동일 분포가 아닌 (non-IID) 데이터 하에서의 학습 과제로 인해 확장성이 근본적으로 제한되어 있습니다. 양자화 (Quantization)는 이러한 제한 사항을 완화하기 위한 가장 효과적인 메커니즘 중 하나로, 업링크/다운링크 페이로드(uplink/downlink payloads)와 기기 내 연산(on-device computation)을 모두 줄여줍니다. 본 논문은 양자화에 대한 최초의 FL 중심 체계적 리뷰를 제공하며, 클라이언트 이질성 (client heterogeneity), 집계 일관성 (aggregation consistency), 통신 스케줄링 적응 (communication-scheduling adaptation), non-IID 강건성 (non-IID robustness), 개인정보/보안 통합 (privacy/security integration), 그리고 하드웨어/에너지 공동 최적화 (hardware/energy co-optimization)를 포함하여 FL 특화 차원을 중심으로 구성된 새로운 분류 체계 (taxonomy)를 소개합니다. 기존 방법론들을 목록화하는 것을 넘어, 우리는 양자화가 클라이언트 드리프트 (client drift), 부분 참여 (partial participation), 수렴 안정성 (convergence stability), 보안 집계 (secure aggregation), 그리고 차분 프라이버시 (differential privacy)와 같은 핵심 FL 동작과 어떻게 상호작용하는지 분석합니다. 나아가 우리는 방법론 간의 교차 통찰, 미개척 연구 분야, 그리고 모바일, IoT, 에지 (edge) 플랫폼에 양자화된 FL을 배포하는 실무자를 위한 설계 가이드라인을 식별합니다. 따라서 본 조사 연구는 양자화를 단순한 압축 기술이 아니라, 현대 FL의 성능, 강건성 및 실용성을 형성하는 근본적인 시스템 구성 요소로 확립합니다.