본 논문은 실시간 감지(RTS) 시스템을 위한 연합 지속 학습(FCL)에서 데이터 분포 변화가 인공지능(AI) 모델 성능에 미치는 영향을 일반화 간격 개념을 활용하여 분석합니다. 실시간 감지 데이터의 다양한 특성을 효과적으로 포착하는 데 어려움이 존재하며, 이는 계산 및 통신 자원의 심각한 영향, 에너지 비용 증가, 전반적인 시스템 성능 저하로 이어질 수 있습니다. 이러한 문제를 해결하기 위해, 논문에서는 샘플링 시간과 AI 성능 저하, 계산 비용, 통신 효율 간의 상관관계를 분석하고, 모바일 에지 네트워크의 RTS 기능을 위해 특별히 설계된 새로운 샘플 기반 제어 연합 지속 학습(SCFL) 기법을 제안합니다. SCFL은 일반화 간격을 최소화하고 전반적인 정확도를 향상시키는 동시에 FCL 프레임워크의 에너지 효율을 유지하기 위해 샘플링 프로세스를 활용하는 최적화 문제로 정의됩니다. 이를 위해 명시적 및 암시적 제약 조건이 있는 새로운 소프트 액터-크리틱 알고리즘(A2C-EI)을 도입합니다. 실험 결과, 다른 DRL 기준선에 비해 높은 효율을 달성하며, 에너지 소비를 최대 85%까지 줄이면서 FL 수렴과 적시 데이터 전송을 유지할 수 있음을 보여줍니다.
