테크노트 KAIST, 데이터 보안 강화한 차세대 연합학습 AI 개발
KAIST가 연합학습(Federated Learning)의 고질적인 성능 저하 문제를 해결하고, AI 모델의 일반화 성능을 획기적으로 향상시킨 새로운 학습 방법을 개발했다. 이번 연구는 병원·은행 같은 보안이 중요한 분야는 물론, 소셜미디어·온라인 쇼핑처럼 변화가 잦은 환경에서도 안정적인 성능을 발휘하며, 인공지능 협업의 새 가능성을 보여줬다. KAIST는 산업및시스템공학과 박찬영 교수 연구팀이 연합학습의 한계를 극복할 수 있는 새로운 학습 방식을 제시했다고 15일 밝혔다. 이번 연구는 ‘데이터 프라이버시를 지키면서도 협업 가능한 AI’를 구현한 것으로 평가받고 있다. 연합학습은 여러 기관이 데이터를 직접 공유하지 않고도 AI를 공동 학습할 수 있는 방식이다. 그러나 이렇게 만들어진 공동 AI 모델을 각 기관 환경에 맞게 최적화하는 과정에서, 특정 기관의 데이터 특성에만 과도하게 적응하는 ‘지역 과적합(Local Overfitting)’ 문제가 꾸준히 제기돼왔다. 예를 들어 여러 은행이 함께 구축한 ‘공동 대출 심사 AI’를 특정 은행이 대기업 고객 데이터를 중심으로 재학습시키면, 그 은행의 AI는 대기업 심사에는 강하지만 개인이나 스타트업 고객 심사에는 약