본 논문은 산업용 사물 인터넷(IIoT)에서 연합 학습(FL)을 통해 분산 모델 학습을 수행하면서 데이터 프라이버시를 보장하는 방법을 제시한다. 메타 컴퓨팅을 활용하여 분산 컴퓨팅 자원을 최적화하고 통합함으로써 FL의 효율성과 확장성을 향상시킨다. 모델 품질과 학습 지연 시간 간의 절충이 필요한 IIoT의 효율적인 운영을 위해, 데이터 크기, 정보의 연령(AoI), 학습 지연 시간을 고려하는 만족도 함수를 설계한다. 이 만족도 함수를 유틸리티 함수에 통합하여 IIoT 노드의 모델 학습 참여를 유도하는 인센티브 체계를 제안한다. 서버와 노드의 유틸리티 함수를 2단계 Stackelberg 게임으로 모델링하고, 심층 강화 학습을 사용하여 Stackelberg 균형을 학습한다. 시뮬레이션 결과, 제안된 인센티브 체계가 기존 FL 체계에 비해 유틸리티를 최소 23.7% 향상시키면서 모델 정확도를 유지함을 보여준다.
