In this dissertation, we studied the federated learning in the wireless communication systems. In the federated learning, there are a single parameter server and multiple distributed devices collaboratively trains a model by sharing their updated local models. When applying the federated learning in the wireless communication systems, various schemes are studied to improve the training performance of it. Firstly, the device grouping based over-the-air computation federated learning scheme is proposed to prevent malicious attacks of the Byzantine devices. Also, in the orthogonal communication system, the communication-efficient federated learning scheme is studied by reducing the communication overhead via projection based compression. Finally, in the over-the-air computation based federated learning, the differential privacy preserving federated learning is proposed by using the inherent property of over-the-air computation.
본 논문은 무선 통신 시스템을 기반으로 하는 연합 학습에 대해서 연구한다. 연학 학습은 단일 파라미터 서버와 다수의 분산 디바이스가 협력하여 모델을 학습하는 알고리즘으로 파라미터 서버와 분산 디바이스가 업데이트된 모델을 서로 공유함으로써 학습이 진행된다. 본 논문에서는 무선 통신 시스템을 기반으로 연합 학습을 활용할 때 관찰되는 다양한 성질을 기반으로 학습의 성능을 향상시키는 기법을 제시한다. 먼저 오버디에어 컴퓨팅을 기반으로 통신 자원의 효율을 높이는 무선 연합 학습에서는 일반적으로 비잔틴 디바이스의 공격에 취약한데 이러한 문제를 해결하기 위해 분산 디바이스 그룹핑 및 그룹 신호 비교를 통해 비잔틴 디바이스 공격에 대응할 수 있는 알고리즘을 제안한다. 또한, 직교 통신 기반의 무선 연합 학습에서는 고차원의 학습 모델로 인하여 많은 통신량이 요구되는데 이러한 통신량을 줄이기위해 연속되는 반복에서의 분산 학습 결과 간 유사성을 기반으로 학습 결과 압축을 통해 통신량을 줄이는 기법에 대해 연구한다. 마지막으로, 연합 학습에서 파라미터 서버가 분산 학습 결과로부터 분산 디바이스의 사적 데이터를 수집하는 사생활 침해 문제가 발생할 수 있는데 오버디에어 컴퓨팅 활용 시 분산 디바이스의 사적 정보를 보호하며 학습 성능을 높일 수 있는 기법을 제안한다.
