본 논문은 무선 네트워크에서 점점 더 강력해지고 널리 보급되는 에지 디바이스의 집합적 컴퓨팅 성능을 분산 학습에 활용하는 것에 대한 관심이 증가하는 가운데, 기존의 설정과 목표를 넘어서는 상황에서 에지 네트워크에서 학습을 최적화하는 데 따르는 고유한 과제들을 다룹니다. 연합 학습(FL)이 분산 모델 훈련을 위한 주요 패러다임으로 등장했지만, 예측 정확도와 해석 가능성 간의 상충 관계, 역전파 기반 훈련 알고리즘에 적합하지 않은 의사결정 트리와 같은 본질적으로 설명 가능한 모델의 통합 어려움, 자원 제약 환경에서의 지속적 기계 학습(CL)을 통한 모델 적응 메커니즘 부족 등의 중요한 과제가 여전히 남아 있습니다. 이 논문에서는 무선으로 상호 연결된 에지 디바이스를 사용한 에지 네트워크의 분산 학습에서 발생하는 새로운 최적화 문제들을 제시하고, 주요 과제와 미래 방향을 제시합니다. 특히, 다목적 최적화(MOO)를 사용하여 복잡한 예측 모델을 사용할 때 예측 정확도와 설명 가능성 간의 상충 관계를 해결하는 방법을 논의하고, 본질적으로 설명 가능한 트리 기반 모델을 분산 학습 환경에 통합하는 의미를 논의하며, 제한된 크기의 버퍼를 사용하여 과거 데이터를 재훈련에 사용할 때 CL 전략을 FL과 효과적으로 결합하여 적응적이고 평생 학습을 지원하는 방법을 조사합니다. 본 연구는 에지 컴퓨팅 및 지능형 서비스의 요구 사항에 맞는 개인 정보 보호, 적응성 및 신뢰할 수 있는 ML 솔루션을 설계하기 위한 일관된 도구 세트를 제공합니다.
