궤적 샤플리 값 (Trajectory Shapley Value)을 이용한 공정성 인식 연합 학습 (Fairness-Aware Federated

연합 학습 (Federated Learning)은 이질적이고 프라이버시에 민감한 데이터가 제기하는 문제를 해결하는 신흥 분산 패러다임입니다. 이는 여러 클라이언트가 서버에서 로컬 업데이트를 집계함으로써 협력적으로 모델을 학습할 수 있게 합니다. 그러나 전통적인 집계 방식은 일반적으로 고정된 가중치를 사용하며, 이는 불균등하고 시간에 따라 변하는 클라이언트의 기여도를 반영하지 못해 편향되고 불안정한 학습으로 이어집니다. 공정성과 안정성을 향상시키기 위해, 본 논문에서는 검증 기반의 시간적 일관성을 가진 효용 (utility)을 사용하여 각 클라이언트가 글로벌 모델의 최적화 궤적 (optimization trajectory)에 어떻게 영향을 미치는지 평가하는 기여도 지표인 궤적 샤플리 값 (Trajectory Shapley Value, TSV)을 제안합니다. TSV를 기반으로, 우리는 라운드별 평가를 동적인 클라이언트 가중치로 변환하는 적응형 집계 방법인 FedTSV를 설계하였으며, 이를 통해 서버가 이질적이고 적대적인 참여에 실시간으로 대응할 수 있도록 합니다. 벤치마크 데이터셋에 대한 실험 결과, FedTSV는 수렴을 가속화하고, 강건성 (robustness)을 향상시키며, 더욱 공평한 기여도 평가를 산출함으로써 공정성 인식 연합 최적화 (fairness-aware federated optimization)를 위한 원칙적인 토대를 제공함을 보여줍니다.