FedKPer: 의료 연방 학습의 일반화 및 개인화를 지식 개인화를 통해 해결하다

요약

FedKPer는 의료 분야의 연방 학습(FL)에서 발생하는 통계적 이질성 문제를 해결하기 위해 지식 개인화(Knowledge Personalization)를 도입한 새로운 프레임워크입니다. 기존 FL 모델은 전역적인 일반화와 개별 병원의 특수한 데이터 분포에 대한 적응(개인화) 사이의 균형을 맞추는 데 어려움을 겪어 망각 현상을 초래했습니다. FedKPer는 로컬 학습 단계에 지식 개인화를 적용하고, 신뢰성 높은 업데이트를 강조하는 전역 집계 과정을 통해 이 두 목표 간의 트레이드오프를 개선하여 성능과 데이터 보존력을 동시에 높입니다.

핵심 포인트

• 연방 학습(FL)은 의료 분야에서 잠재력이 크지만, 기관 간 통계적 이질성으로 인해 일반화와 개인화에 어려움을 겪는다.
• 기존 연구는 일반화와 개인화를 분리하여 다루었으나, FedKPer는 지식 개인화를 통해 두 목표를 통합적으로 해결한다.
• FedKPer는 로컬 장치 학습 단계에 지식 개인화를 도입하고, 전역 모델 집계 과정에서 신뢰성 높은 업데이트를 강조하는 방식으로 작동한다.
• 이 프레임워크는 일반화-개인화 트레이드오프를 개선하여 데이터 리텐션(Retention)을 희생하지 않으면서 성능 향상을 입증했다.