비전 기반 멀티태스크 학습을 위한 연합학습 알고리즘의 성능 분석

Performance Analysis of Federated Learning Algorithms for Vision-Based Multi-Task Learning

본 논문은 비전 기반 멀티태스크 학습으로의 확장을 염두에 두고, 연합학습(Federated Learning) 환경에서 대표적인 알고리즘인 FedSGD(Federated Stochastic Gradient Descent), FedAVG(Federated Averaging), FedRep(Federated Representation Learning)의 성능을 비교·분석한다. 데이터 프라이버시와 통신 효율성을 고려한 분산 학습 구조인 연합학습은 실제 환경에서 클라이언트 간 데이터 불균형(Non-IID) 문제가 빈번하게 발생한다. 본 논문에서는 FEMNIST(Federated Extended MNIST) 데이터셋을 Non-IID 방식으로 분할하여 각 알고리즘의 정확도, 통신 효율성, 손실을 정량적으로 평가하였다. 실험 결과, FedAVG는 전반적으로 우수한 성능과 안정성을 보였으며, FedRep은 사용자 맞춤형 학습에 강점을 보였다. FedSGD는 통신량은 적었으나 정확도 면에서는 상대적으로 취약하였다. 이러한 결과는 향후 분류뿐만 아니라 객체 탐지, 의미론적 분할 등 멀티태스크 학습 환경으로 연합학습을 확장할 때 알고리즘 선택의 기초 자료로 활용될 수 있다.

This study aims to evaluate the performance of key Federated Learning (FL) algorithms—FedSGD(Federated Stochastic Gradient Descent), FedAVG(Federated Averaging), and FedRep(Federated Representation Learning)—with a view toward future expansion into vision-based multitask learning. Federated learning, a distributed training paradigm that prioritizes data privacy and communication efficiency, faces significant performance degradation in real-world settings due to the frequent presence of Non-IID (non-identically distributed) data across clients. In this work, we partitioned the FEMNIST(Federated Extended MNIST) dataset in a Non-IID manner and quantitatively assessed the convergence speed, accuracy, and communication efficiency of each algorithm. Experimental results show that FedAVG consistently delivers strong performance and stability, while FedRep demonstrates advantages in personalized learning. FedSGD, despite requiring fewer communications, exhibited notable limitations in accuracy. These findings provide valuable insights for selecting appropriate algorithms when expanding FL to multitask scenarios, such as object detection and semantic segmentation, beyond simple classification tasks.