우리 대학 컴퓨터공학과 이재환 교수(교신저자, 빅데이터 및 분산 컴퓨팅 연구실)와 석사과정 임아현·장수호 학생이 공동으로 작성한 논문이 국제적 권위를 가진 컴퓨터공학 분야 학술대회인 ‘ICPP 2025(The 54th ACM International Conference on Parallel Processing)’에서 정규 논문으로 채택되어 발표되었다.

  ICPP는 병렬 컴퓨팅 분야에서 가장 오랜 역사를 지닌 학회로, 시스템 아키텍처와 소프트웨어는 물론 AI와 양자 컴퓨팅까지 폭넓은 주제를 다룬다. 올해 학회는 9월 8일부터 11일까지 미국 샌디에이고에서 열렸으며, 정보과학회에서 고성능컴퓨팅 분야 우수 학술대회로, BK21 플러스사업에서는 CS 분야 우수 학술대회(IF=2)로 지정되어 있다.

  발표된 논문 ‘P3P-Fed: Peer-to-Peer Personalized Federated Learning with DHT-based Local Clustering’은 연합학습(Federated Learning, 데이터를 이동하지 않고 각 기기에서 따로 학습해 결과만 공유하는 분산 머신러닝)의 대표적 난제인 비독립·비동일 분포(non-IID) 데이터 문제(참여 기기마다 데이터 분포가 달라 학습 효율이 떨어지는 상황)를 해결하기 위한 새로운 방식을 제안했다. 

  기존 연구는 중앙 집중식 클라이언트-서버 구조에 의존해 통신 병목과 확장성 한계를 보였으며, 클라이언트별 특성을 충분히 반영하지 못한 개인화 모델을 학습시킨다는 단점이 있었다. 이에 연구팀은 분산 해시 테이블(DHT)을 활용한 P2P 네트워크 기반 접근을 통해 중앙 서버 없이도 데이터 특성이 유사한 노드들을 자동으로 묶어 학습하는 방법을 고안했다. 이 방식은 최신 연합학습의 핵심 과제인 개인화(personalization)와 확장성(scalability)을 동시에 충족시킨 점에서 주목받았다.

  연구는 실제 100개 노드가 동시에 참여하는 환경에서 검증되었다. 실험 결과, 제안된 알고리즘은 기존 최고 성능 대비 정확도가 8.6% 향상되었으며, 통신이 불안정하거나 노드가 동적으로 참여·이탈하는 상황에서도 성능 저하가 기존 기법보다 훨씬 적은 것으로 나타났다. 이러한 특성은 향후 스마트 기기, 자율주행차, 무인기(UAV), 인공위성 네트워크 등과 같이 이질적이고 변화가 많은 환경에서의 차세대 AI 학습 기술로 확장될 가능성을 보여준다.

  이재환 교수는 “이번 성과는 실제 연합학습 환경에서 발생하는 데이터 이질성과 네트워크 불안정 문제를 독창적인 분산 시스템 기반 접근으로 해결하여 국제 학계에서 주목받았다는 점에서 의미가 크다”며, “앞으로도 연구를 발전시켜 스마트 기기, 자율주행, 위성 네트워크 등 다양한 미래 AI 서비스에 활용할 수 있는 핵심 기술로 이어가겠다”고 말했다.