본 논문은 AIoT 환경에서의 연합 학습(FL)의 에너지 소비에 초점을 맞춘 연구입니다. 기존 연구들이 주로 모델 성능, 수렴 속도, 통신 효율에 집중한 것과 달리, 본 논문은 전처리, 통신, 지역 학습 등 에너지 소모가 큰 세 가지 과정에 대한 에너지 소비를 분석합니다. 특히, 분산된 AIoT 환경에서 모델 훈련의 수렴 속도를 높이기 위한 장치/클라이언트 선택의 중요성을 관찰하고, 유사한 레이블 분포를 가진 AIoT 장치를 그룹화하는 두 가지 클러스터링 기반 방법을 제안합니다. 이러한 클러스터링 솔루션은 실제 분산 학습 애플리케이션에서 자주 발생하는 이질성을 완화하여, 높은 수렴 속도와 낮은 에너지 소비를 동시에 달성합니다. 광범위한 실험을 통해 제안된 방법이 기존의 다른 접근 방식보다 우수한 성능을 보임을 입증합니다.
