The widespread adoption of mobile devices (e.g., smartphones, tablets) with Artificial Intelligence (AI) has led to breakthroughs in mobile services and applications. However, developing novel mobile AI often face challenges due to the difficulty of collecting real-world data, limited by factors such as budget constraints, privacy concerns, and small study groups. Federated Learning (FL) offers a solution to train AI models on large, private datasets from mobile devices, but it requires overcoming obstacles of slow learning and suboptimal model accuracy when trained on heterogeneous real-world devices. This thesis presents systematic approaches for 1) improving the time-to-accuracy and accuracy of FL on mobile devices and 2) providing guidance on selecting the most efficient FL algorithms to facilitate real- world deployment. Furthermore, this thesis extends the proposed techniques by applying them to the development of a novel mobile AI on user language-based mental health monitoring on smartphones, showcasing the practical implementation of the optimized FL methods on mobile scenarios.
최근 스마트폰, 태블릿 등 모바일 기기의 광범위한 보급과 인공지능(AI) 기술의 비약적인 발전은 인공지능 모바일 서비스의 발달로 이어져 인류의 일상 생활에 혁신을 가져왔다. 그러나 새로운 모바일 인공지능의 개발 과정에는 예산의 한계와 개인정보 보호 문제로 인공지능 학습에 필수적인 다양하고 많은 데이터를 수집하는 데 어려움이 있다. 이에 대한 해결 방안으로 대규모의 모바일 기기 위 데이터를 수집하지 않고 활용하여 인공지능 학습을 가능케 하는 연합학습(Federated Learning)이 제안되었지만, 이기종 및 데이터 이질성을 갖는 실제 모바일 기기 위 적용되었을 때 낮은 성능의 인공지능을 비효율적으로 학습하는 문제가 있었다. 이러한 문제의 해결을 위해, 이 논문은 1) 모바일 기기 위 연합학습의 학습 속도 및 결과 모델 정확도를 개선하고, 2) 가장 효율적인 연합학습 알고리즘을 상황에 따라 최적으로 선택하는 시스템을 제시한다. 또한, 이 논문은 제안된 시스템을 바탕으로, 스마트폰 위 사용자 언어 기반 정신 건강을 모니터링하는 새로운 모바일 인공지능을 효율적으로 개발하고 제안된 시스템의 활용성을 검증한다.
