연합학습에서 Non-IID 및 불균형 데이터를 고려한 스태킹 앙상블 기반 생존분석 모델

• 영문명: A Stacking Ensemble-Based Survival Analysis Model for Federated Learning with Non-IID and Imbalanced Data
• 발행기관: 한국전자통신학회
• 저자명: 최철웅(Chul-Woong Choi)
• 간행물 정보: 『한국전자통신학회 논문지』제20권 제4호, 859~866쪽, 전체 8쪽
• 주제분류: 공학 > 전자/정보통신공학
• 파일형태: PDF
• 발행일자: 2025.08.31

국문 초록

연합학습(Federated Learning)은 데이터를 중앙 서버로 전송하지 않고, 클라이언트에서 학습한 로컬 모델을 FedAVG(Federated Averaging) 방식으로 통합하여 글로벌 모델을 업데이트하는 분산형 학습 방식이다. FedAVG는 클라이언트 간 데이터 분포가 유사하거나 독립적인 경우에는 우수한 성능을 보이지만, 실제 의료환경과 같이 데이터가 비독립적(Non-IID)이거나 불균형한 경우에는 성능 저하 문제가 발생한다. 본 연구에서는 Non-IID 및 불균형 데이터 환경에서도 성능 저하를 최소화하기 위해, 스태킹 앙상블(Stacking Ensemble) 기법을 적용한 생존분석 기반 연합학습 모델을 제안한다. 실험 데이터는 실제 의료 환경을 반영하여 각 클라이언트의 데이터 크기와 분포를 상이하게 구성하였으며, 실험을 통해 제안한 스태킹 앙상블 기반 연합학습 방법이 기존의 FedAVG 방식보다 Non-IID 및 불균형 데이터 환경에서 더 우수한 성능을 나타냄을 확인하였다.

영문 초록

Federated Learning is a decentralized learning approach that updates a global model by aggregating locally trained models on each client using methods such as Federated Averaging (FedAVG), without transmitting data to a central server. While FedAVG shows strong performance when data distributions across clients are similar or independent, it suffers from performance degradation in real-world medical settings where data are often non-independent and identically distributed (Non-IID) or imbalanced. To address this issue, this study proposes a survival analysis-based federated learning model that incorporates a stacking ensemble technique to minimize performance degradation under Non-IID and imbalanced data conditions. The experimental data were designed to reflect real-world medical scenarios, with heterogeneous data sizes and distributions across clients. Experimental results demonstrate that the proposed stacking ensemble-based federated learning method outperforms the conventional FedAVG approach in Non-IID and imbalanced data environments.

목차

Ⅰ. 서 론

Ⅱ. 관련 연구

Ⅲ. 스태킹 앙상블 기반 연합 생존분석

Ⅳ. 실험 및 결과

Ⅴ. 결 론

References

키워드

연합 학습 생존 분석 앙상블 학습 메타 학습 모델 Federated Learning Survival Analysis Ensemble Learning Meta-Learner