MIT, 개인정보 보호 AI 학습 최적화 기술 FTTE 개발

주장매사추세츠공과대학(MIT) 연구진이 연합 학습의 효율성을 획기적으로 개선하는 새로운 프레임워크를 개발했습니다. 해당 기술은 보안이 중요한 의료 및 금융 분야에서 개인정보를 보호하며 인공지능(AI) 모델을 학습시키는 핵심 동력이 됩니다.

팩트연구진이 선보인 연합 학습 최적화 기술인 FTTE는 기존 방식 대비 학습 속도를 81퍼센트 가속화했습니다. 기기 내 메모리 오버헤드는 80퍼센트, 통신 부하는 69퍼센트까지 감소시키는 성과를 거두었습니다.

팩트연합 학습은 중앙 서버가 아닌 개별 기기에서 데이터를 학습시키는 구조를 취합니다. 데이터가 기기 외부로 유출되지 않기에 개인정보 보호에 유리합니다.

교차검증기존 연합 학습 방식은 모든 기기가 동일한 메모리와 연산 능력을 갖추었다고 가정합니다. 그러나 스마트워치나 센서와 같은 실제 기기는 성능이 제각각이라 통신 병목 현상과 지연 시간이 발생하는 한계가 존재합니다.

팩트이러한 한계를 극복하기 위해 FTTE는 모델의 전체 매개변수가 아닌 일부만 전송하여 메모리 요구량을 줄이는 방식을 채택했습니다.

팩트또한 모든 기기의 응답을 기다리지 않는 비동기식 업데이트 방식을 도입했습니다. 일정 수의 업데이트가 모이면 즉시 학습을 진행하여 대기 시간을 최소화합니다.

팩트업데이트된 데이터의 가중치를 시간에 따라 차등 적용하는 설계도 포함했습니다. 오래된 데이터가 모델 학습에 부정적인 영향을 미치지 않도록 방지합니다.

주장이 기술은 고성능 서버나 그래픽 처리 장치(GPU)가 없는 환경에서도 AI 모델을 구동하게 합니다. 일상적인 기기에서 강력한 모델을 실행하는 것은 인공지능 대중화의 중요한 단계입니다.

교차검증학습 속도를 높이는 과정에서 모델의 정확도와 약간의 타협이 발생할 수 있습니다. 다만 연구진은 속도 향상이라는 이점이 정확도 저하보다 더 큰 가치를 제공한다고 설명합니다.

출처해당 내용은 MIT 뉴스(https://news.mit.edu/2026/enabling-privacy-preserving-ai-training-everyday-devices-0429)를 통해 교차 검증했습니다. 본 연구는 국제 신경망 합동 회의(IEEE)에서 발표될 예정이며 다케다 박사 과정 펠로우십의 지원을 받았습니다.