본 논문은 분산 기계 학습 분야에서 혁신적인 패러다임으로 부상한 연합 학습(Federated Learning, FL)에 대한 간결하면서도 포괄적인 개요를 제공합니다. 연합 학습은 모바일 기기, 에지 노드 또는 조직과 같은 여러 클라이언트가 민감한 데이터를 중앙 집중화할 필요 없이 공유 글로벌 모델을 공동으로 훈련할 수 있도록 합니다. 이 분산 접근 방식은 데이터 프라이버시, 보안 및 규정 준수에 대한 증가하는 우려를 해결하여 의료, 금융 및 스마트 IoT 시스템과 같은 분야에서 특히 매력적입니다. 논문에서는 연합 학습의 핵심 아키텍처 및 통신 프로토콜부터 시작하여 표준 FL 수명 주기(로컬 훈련, 모델 집계 및 글로벌 업데이트 포함), 비IID(비독립 동일 분포) 데이터 처리, 시스템 및 하드웨어 이기종성 완화, 통신 오버헤드 감소, 차등 프라이버시 및 안전한 집계와 같은 메커니즘을 통한 프라이버시 보장과 같은 주요 기술적 과제에 대해 논의합니다. 또한 개인화된 FL, 장치 간 대 실로 간 설정, 강화 학습 및 양자 컴퓨팅과 같은 다른 패러다임과의 통합을 포함한 FL 연구의 새로운 동향을 조사하고, 실제 응용 프로그램과 FL 연구에서 일반적으로 사용되는 벤치마크 데이터 세트 및 평가 지표를 요약하며, 확장 가능하고 효율적이며 신뢰할 수 있는 FL 시스템 개발을 위한 개방형 연구 문제와 미래 방향을 제시합니다.
