이질적인 피처 공간에서의 연합 결측치 보간 (Federated Imputation)

요약

기존 연합 학습(Federated Learning)은 클라이언트 간 피처 스키마가 일치한다고 가정하지만, 실제 정형 데이터 환경에서는 피처 서브셋이 서로 다른 이질적인 상황이 빈번합니다. 이를 해결하기 위해 제안된 FedHF-Impute는 공유된 글로벌 피처 그래프와 메시지 패싱 기술을 활용하여, 피처가 직접 겹치지 않더라도 클라이언트 간 지식을 전송하여 결측치를 효과적으로 보간합니다.

핵심 포인트

• 이질적인 피처 공간(heterogeneous feature spaces)에서 기존 FedAvg 방식의 정보 전달 한계 극복
• 구조적 피처 부재를 기존 결측치와 분리하여 처리하는 FedHF-Impute 프레임워크 제안
• 공유된 글로벌 피처 그래프를 통한 메시지 패싱으로 간접적인 클라이언트 간 지식 전송 가능
• SECOM 및 AirQuality 데이터셋에서 기존 FL 베이스라인 대비 높은 RMSE 개선 성능 입증