본 논문은 비동기적 연합 학습(FedAsync)의 효율성 향상과 동시에 발생하는 개인정보보호 문제에 대한 최초의 포괄적인 분석을 제시합니다. 다양한 하드웨어 사양을 가진 5개의 에지 디바이스로 구성된 물리적 테스트베드를 사용하여, 동기적 연합 학습(FedAvg)과 FedAsync를 비교 분석했습니다. 음성 감정 인식(SER) 작업을 통해 실험한 결과, FedAsync는 FedAvg보다 최대 10배 빠른 수렴 속도를 보였지만, 고성능 디바이스의 개인정보보호 위험 증가 및 저성능 디바이스의 정확도 저하라는 불공정성과 개인정보보호 문제를 심화시키는 것을 확인했습니다. 고성능 디바이스는 6~10배 더 많은 업데이트를 제공하고 최대 5배 더 높은 개인정보보호 손실을 초래하며, 저성능 디바이스는 빈번하지 않고 오래된, 노이즈가 추가된 업데이트로 인해 정확도 저하가 심화됩니다. 이러한 결과는 클라이언트의 성능과 참여 역학에 따라 집계 및 개인정보보호 메커니즘을 조정하는 적응형 연합 학습 프로토콜의 필요성을 시사합니다.
