의료 영상용 비동기 연방 망각 및 불변성 보정

연방 학습 (Federated Learning, FL) 에서의 연방 망각 (Federated Unlearning, FU) 은 데이터 보호 규정에 의해 '망각할 권리'를 보장하도록 규정되어 있어, 참여 클라이언트가 훈련된 전역 모델에서 자신의 기여분을 완전히 제거할 수 있도록 하는 새로운 패러다임입니다. 그러나 기존 FU 방법들은 대부분 동기식 조정을 의존합니다. 이 요구사항은 전체 연방 시스템이 지연되는 장치 (stragglers) 가 소거 작업을 완료할 때까지 정지하고 기다리게 하여, 장치 이질성으로 인해 상당한 지연을 초래합니다. 또한 이러한 방법들은 종종 소거된 데이터의 영향력이 일시적으로 억제될 뿐이며, 후속 훈련 과정에서 다시 표면화되는 진정한 제거가 이루어지지 않는 문제에 직면합니다. 이러한 한계를 극복하기 위해 본 논문은 의료 영상을 위한 새로운 프레임워크인 '불변성 보정 기반 비동기 연방 망각 (Asynchronous Federated Unlearning with Invariance Calibration, AFU-IC)'을 제안합니다. 이 프레임워크는 소거 과정을 전역 훈련 워크플로우와 분리하여, 목표 클라이언트가 전역 훈련을 중단하지 않고 비동기적으로 망각 작업을 수행할 수 있도록 합니다. 동시에 서버 측의 불변성 보정 (invariance calibration) 메커니즘은 모델이 소거된 데이터를 다시 학습하는 것을 방지합니다. 세 가지 의료 벤치마크에 대한 광범위한 실험 결과, AFU-IC 는 금표준 재훈련과 비교할 수 있는 망각 효과와 모델 충실도 (model fidelity) 를 달성하면서도 동기식 베이스라인에 비해 월등히 짧은 실제 소요 시간 (wall-clock latency) 을 보여줍니다. AFU-IC 는 교차 실로 (cross-silo) 의료 환경에서 효율적이고 규정 준수하며 신뢰할 수 있는 FL 을 보장합니다.