본 논문은 공개 데이터의 고갈 문제를 해결하기 위해 개인화된 연합 학습(Federated Learning)을 제안합니다. 개인 데이터 소유자들이 데이터를 공개하지 않고도 협업하여 개인화된 모델을 학습하도록 유도하는 '포괄적이고 인센티브가 있는 개인화된 연합 학습(iPFL)'이라는 프레임워크를 제시합니다. iPFL은 그래프 기반의 훈련 최적화를 통해 모델 공유 시장을 구축하고, 게임 이론 원리를 기반으로 인센티브 메커니즘을 통합합니다. 이론적 분석을 통해 개별 합리성과 진실성이라는 두 가지 주요 인센티브 속성을 충족함을 보였고, 11가지 AI 작업(예: 대규모 언어 모델의 지시 따르기 작업)에 대한 실험적 연구를 통해 기준 방법에 비해 경제적 효용이 가장 높고, 모델 성능이 동등하거나 더 우수함을 보여줍니다.
