C2FL: 공간적 및 시간적 드리프트(Drift) 환경에서의 클러스터링 기반 지속적 연합 학습 (Clustered Continual

집단 적응형 시스템 (Collective Adaptive Systems, CAS)은 각 노드가 로컬에서 감지된 데이터로부터 학습하여 주변 환경과 자신의 행동을 일치시키기 위해 머신러닝 (Machine Learning)에 점점 더 많이 의존하고 있습니다. 그러나 이러한 지능을 확장하는 데에는 근본적인 과제들이 따릅니다. 감지된 데이터는 종종 프라이버시 민감도가 높아 중앙 집중식 수집이 불가능하며, 노드들은 이동성이 있어 인접한 노드들은 유사한 현상을 인지하는 반면 멀리 떨어진 노드들은 근본적으로 다른 조건을 관찰하게 되어 자연스러운 공간적 클러스터 (Spatial Clusters)를 형성합니다. 또한, 이러한 분포는 이동성으로 인해 시간이 지남에 따라 진화하며, 이는 로컬 모델을 점진적으로 노후화시키는 시간적 드리프트 (Temporal Drift)를 유발합니다. 이러한 역학 관계는 차량 센싱 (Vehicular Sensing), 드론 기반 모니터링 (Drone-based Monitoring), 스마트폰 크라우드센싱 (Smartphone Crowdsensing) 등 다양한 도메인에서 발생하지만, 프라이버시, 공간적 이질성 (Spatial Heterogeneity), 그리고 시간적 드리프트의 상호작용은 기존의 학습 전략을 심각하게 저해합니다.

따라서 우리는 환경의 지리적 구조를 반영하여 노드들이 공간적 클러스터링 (Spatial Clustering)을 통해 학습 그룹으로 스스로 조직화되는 완전 분산형 연합 학습 (Federated Learning, FL) 접근 방식인 C2FL을 제안합니다. 시간적 드리프트에 대응하기 위해, 각 노드는 경험 재현 (Experience Replay)과 체류 시간 인지 적응형 평균화 (Dwell-time-aware Adaptive Averaging) 단계를 결합합니다. 이를 통해 노드는 동일한 지역에 더 오래 머물수록 지역적 합의 (Regional Consensus)를 점진적으로 통합하는 동시에, 진화하는 분포 하에서도 이전에 습득한 지식을 보존합니다. 우리는 공간적 및 시간적 변화를 체계적으로 재현하는 합성 실험 (Synthetic Experiments)을 통해 우리의 접근 방식을 평가하였으며, 표준 연합 학습 전략이 이러한 조건에서 크게 저하되는 반면, 우리의 방법은 견고한 집단 적응 (Collective Adaptation)을 복원함을 보여줍니다.