의료 사물 인터넷을 위한 보안 강화를 위한 간단한 연합 학습 기반 구성

요즘 의료 사물 인터넷(IoMT) 장치에서의 연합 학습(FL)은 현재 연구의 뜨거운 주제가 되고 있다. 새로운 아키텍처로서 FL은 IoMT 장치의 데이터 프라이버시를 잘 보호할 수 있지만, 신경망 모델 전송의 보안을 보장할 수는 없다. 한편, 현재 인기 있는 신경망 모델의 크기는 일반적으로 상대적으로 방대하며, 이를 IoMT 장치에 배포하는 방법은 도전 과제가 되고 있다. 이러한 문제에 대한 유망한 접근 방식은 신경망의 매개변수를 양자화하여 네트워크 규모를 줄이는 것으로, 이는 데이터 전송의 보안을 크게 향상시키고 전송 비용을 줄일 수 있다. 이전 문헌에서는 확률적 반올림을 사용하는 고정 소수점 양자화기가 다른 양자화 방법보다 더 나은 성능을 보이는 것으로 나타났다. 그러나 최소 제곱 양자화 오류를 달성하기 위한 이러한 양자화기를 설계하는 방법은 여전히 알려지지 않았다. 또한, 이 양자화기를 FL 프레임워크에 적용하는 방법 또한 조사할 필요가 있다. 이러한 질문을 해결하기 위해, 본 논문에서는 FL 설정에서 각 개별 클라이언트에 대해 가장 작은 양자화 오류를 달성하는 FedMSQE - 최소 제곱 양자화 오류를 사용한 연합 학습을 제안한다. 단일 노드 및 FL 시나리오에서의 수치 실험을 통해, 우리가 제안한 알고리즘이 다른 양자화 방법보다 높은 정확도와 낮은 양자화 오류를 달성할 수 있음을 증명한다.