요약

연합 학습(FL)은 데이터 소유권을 보호하며 분산된 IoT 환경을 제어하는 유망한 패러다임입니다. 본 논문은 특히 예측 유지보수(PdM)와 같은 시계열 분석 분야에서 생성 모델(VAE, GAN, DM)의 활용에 초점을 맞춥니다. 연구는 전체 및 부분 연합 환경 모두에서 이러한 생성 모델들의 성능과 통신 오버헤드를 대역폭 제약적이고 비독립 동일 분포(non-IID) 조건 하에 포괄적으로 분석합니다.

핵심 포인트

• 연합 학습은 데이터 프라이버시를 유지하며 분산된 IoT 환경을 관리하는 핵심 패러다임이다.
• 생성 모델(VAE, GAN, DM)은 기존의 판별적 모델을 넘어 시계열 분석 및 비지도 이상 탐지 등 새로운 FL 기회를 제공한다.
• 연구는 예측 유지보수(PdM)와 같은 산업 응용 분야에 초점을 맞추어 생성 모델들을 비교 분석한다.
• 분석은 대역폭 제약적이고 데이터가 non-IID인 현실적인 연합 학습 환경을 고려하여 수행된다.