다기관 연합학습에서의 로컬 모델 평가 클라이언트 셀렉션 기법

국문 초록 (Abstract)

디지털 전환 이후 다양한 산업 분야에서 인공지능(AI) 도입이 빠르게 확산되고 있으나, 개인정보보호 규제와 데이터 사일로(data silo) 문제로 인해 학습 데이터의 중앙집중이 점점 더 어려워지고 있다. 이러한 제한을 완화하기 위한 대안으로, 데이터가 생성되는 클라이언트에서 로컬로 모델을 학습하고 학습된 파라미터만 서버로 전송하는 연합학습(Federated Learning, FL)이 주목받고 있다. 그러나 다수의 기관이 참여하는 실제 의료 환경에서는 병원별 환자 특성과 데이터 규모가 크게 달라 비독립·비동일분포(Non-IID) 특성이 강하게 나타나며, 통신·자원 이질성까지 겹쳐 단순 무작위 참여(FedAvg)나 자원 기반 선택만으로는 수렴 불안정, 성능 저하, 통신 지연 등의 문제가 발생하기 쉽다.
본 논문에서는 이러한 문제를 해결하기 위해, 다기관 참여 연합학습 환경에서 로컬 모델 평가에 기반하여 클라이언트 참여 여부를 결정하는 LMECS(Local Model Evaluation-based Client Selection) 알고리즘을 제안하고, 이를 실제 의료 데이터를 활용한 연합학습 플랫폼으로 구현하였다. LMECS는 각 통신 라운드에서 클라이언트가 산출한 로컬 성능 지표(예: 손실, 정확도, AUC)를 서버로 전달받아, 사전에 정의한 임계값 이상을 만족하는 클라이언트만 글로벌 모델 집계에 참여시키고 선택된 업데이트만을 평균함으로써, Non-IID 환경에서 발생하는 잡음(updates)과 편향 전파를 완화하고 수렴 안정성과 효율을 동시에 확보하는 것을 목표로 한다. 플랫폼 구현은 Flower 연합학습 프레임워크와 Ray 기반 시뮬레이션 백엔드를 이용하여, 단일 서버 상에서 다수 병원을 클라이언트로 모사할 수 있도록 설계하였다.
검증을 위해 대한민국 172개 병원 응급실에서 수집된 NEDIS 데이터 중 다기관 응급실 데이터를 사용하여, 각 병원을 하나의 FL 클라이언트로 모델링하고 응급 환자의 중환자실 입실/사망 여부를 이진 분류하는 과제를 설정하였다. 동일한 신경망 구조와 학습 설정 하에서 단독학습(Standalone Learning), 중앙집중식 학습(Centralized Learning), 기존 FL 알고리즘(FedAvg, FedProx), 제안 알고리즘(LMECS)을 비교한 결과, LMECS는 비독립·비동일분포 환경에서 FedAvg 및 FedProx보다 높은 정확도와 AUC를 달성하였고, 민감도 측면에서는 중앙집중식 학습과 통계적으로 유사한 수준까지 성능 격차를 줄였다. 또한 각 병원 로컬 모델의 평균 성능 역시 단독학습 대비 향상되어, 연합학습 참여가 개별 기관 입장에서도 실질적인 이득을 제공함을 확인하였다. 실행 시간 측면에서는 FL 기반 학습이 중앙집중식 학습보다 짧은 벽시계 시간을 보였으며, LMECS는 표준 FL 대비 유의한 추가 오버헤드 없이 성능 향상을 달성하였다.
이러한 결과를 통해 제안한 LMECS 기반 다기관 연합학습 플랫폼이, 실제 의료 환경에서 개인정보를 보호하면서도 수렴 안정성과 예측 성능, 통신 효율 사이의 균형을 제공하는 실용적인 클라이언트 선택 전략임을 확인하였다.

다국어 초록 (Multilingual Abstract)

After digital transformation, the adoption of artificial intelligence (AI) has rapidly expanded across many industries. However, due to privacy regulations and the data silo problem, it is becoming increasingly difficult to centralize training data. As an alternative to these limitations, federated learning (FL), in which data are kept on the client side and only locally trained model parameters are sent to a central server, however, patient characteristics and data volume differ significantly across hospitals, leading to strongly Non-IID data. Combined with heterogeneous communication and computational resources, simple random participation or resource-based client selection can easily result in unstable convergence, degraded performance, and increased communication delay.
To address these challenges, this paper proposes LMECS, an algorithm that determines client participation based on local model evaluation in a multi-institutional FL environment, and implements it as a federated learning platform using real medical data. In LMECS, each client reports local performance metrics to the server at every communication round. The server then aggregates only the updates from clients whose local performance exceeds a predefined threshold. By averaging these selected updates, LMECS aims to simultaneously improve convergence stability and efficiency under Non-IID conditions by reducing noisy or biased updates. The platform is implemented using the Flower federated learning framework and a Ray-based simulation backend, enabling multiple hospitals to be emulated as FL clients on a single server.
For evaluation, we used multi-hospital emergency department data from NEDIS, collected from 172 hospitals in Korea. Each hospital was modeled as an FL client, and the task was to perform binary classification of whether an emergency patient would require ICU admission or experience in-hospital mortality. Under the same neural network architecture and training configuration, we compared standalone learning, centralized learning, standard FL algorithms, and the proposed LMECS. The results show that, in a Non-IID setting, LMECS achieves higher accuracy and AUC than FedAvg and FedProx, and narrows the performance gap to centralized learning to a statistically insignificant level in terms of sensitivity. Moreover, the average performance of local models at each hospital also improved compared with standalone learning, confirming that participation in FL provides tangible benefits for individual institutions. In terms of execution time, FL-based training required less wall-clock time than centralized learning, and LMECS improved performance without incurring significant additional overhead compared to standard FL.
These results demonstrate that the proposed LMECS-based multi-institutional federated learning platform provides a practical client selection strategy that balances privacy preservation, convergence stability, predictive performance, and communication efficiency in real-world medical environments.

목차 (Table of Contents)

• 제1장 서 론 1
• 1.1 연구 배경 1
• 1.2 연구의 필요성 및 목적 2
• 제2장 관련 연구 4
• 2.1 연합학습 4
• 2.2 연합학습 알고리즘 6
• 2.2.1 FedSGD 6
• 2.2.2 FedAVG 6
• 2.2.3 FedProx 7
• 2.3 FedOps 프레임워크 8
• 2.4 연합학습에서의 Non-IID환경 10
• 2.5 연합학습 클라이언트 셀렉션 기법 11
• 2.5.1 FedCS 12
• 2.5.2 Power-of-Choice 13
• 2.5.3 Oort 14
• 제3장 로컬 모델 평가 클라이언트 셀렉션 16
• 3.1 로컬 모델 평가 클라이언트 셀렉션:LMECS 개요 16
• 3.2 LMECS의 동작 구조 17
• 3.3 LMECS의 실험 환경 21
• 3.3.1 LMECS 실험 데이터 21
• 3.3.2 LMECS 실험 모델 23
• 3.3.3 LMECS 실험 디자인 25
• 제4장 실험 및 평가 29
• 4.1 LMECS 검증 29
• 4.2 LMECS 결과 35
• 제 5장 결론 43
• 참고문헌 48