[논문 리뷰] A Survey on Decentralized Federated Learning

Edoardo Gabrielli, Di Pietro, Anthony외 3명|arXiv (Cornell University)|2023. 08. 08.

Privacy-Preserving Technologies in Data인용 수 21

한 줄 요약

탈중앙화 연합학습(DFL) 접근방식을 포괄적으로 검토하고, 전통적 분산 방식과 블록체인 기반 방법을 비교하며 도전 과제와 향후 방향을 제시한다.

ABSTRACT

Federated learning (FL) enables collaborative training without pooling raw data, but standard FL relies on a central coordinator, which introduces a single point of failure and concentrates trust in the orchestration infrastructure. Decentralized federated learning (DFL) removes the coordinator and replaces client-server orchestration with peer-to-peer coordination, making learning dynamics topology-dependent and reshaping the associated security, privacy, and systems trade-offs. This survey systematically reviews DFL methods from 2018 through early 2026 and organizes them into two architectural families: traditional distributed FL and blockchain-based FL. We then propose a unified, challenge-driven taxonomy that maps both families to the core bottlenecks they primarily address, and we summarize prevailing evaluation practices and their limitations, exposing gaps in the literature. Finally, we distill lessons learned and outline research directions, emphasizing topology-aware threat models, privacy notions that reflect decentralized exposure, incentive mechanisms robust to manipulation, and the need to explicitly define whether the objective is a single global model or personalized solutions in decentralized settings.

연구 동기 및 목표

• 탈중앙화된 FL가 중앙 오케스트레이션의 한계를 어떻게 해소하는지 평가한다.
• 기존 DFL 접근법을 수집하고 분류한다(전통적 분산 vs. 블록체인 기반).
• DFL에서 사용되는 데이터세트, 모델 유형, 데이터 분할 및 합의 메커니즘을 요약한다.
• DFL의 보안, 확장성, 이질성에서의 주요 도전 과제를 식별한다.
• 현 문제를 극복하기 위한 유망한 연구 방향을 제시한다.

제안 방법

• 2018–2023년의 DFL 연구를 식별하고 선별하기 위해 PRISMA 가이드라인에 따른 체계적 문헌고찰.
• TD-FL(전통적 분산)과 BC-FL(블록체인 기반)로 접근법을 구분하는 분류 체계를 개발한다.
• 논문별 데이터 포인트 추출: 데이터세트, 모델, 분할, 아키텍처, 성능 지표 및 한계.
• 포함된 연구들 간의 도전 과제, 데이터세트 및 실험 구성에 대한 질적 합성.

실험 결과

연구 질문

• RQ1 탈중앙화 FL(DFL)의 가능한 응용 분야는 무엇이며 중앙 집중형 오케스트레이션이 해결되었는가?
• RQ2 DFL 연구에서 어떤 데이터세트와 연합 설정이 사용되는가?
• RQ3 DFL 구현에서의 설계 선택은 무엇인가(블록체인 대 비블록체인, 데이터 분할, 합의)?
• RQ4 제안된 DFL 접근법의 성능 및 보안 특성은 무엇인가?
• RQ5 DFL의 주요 도전 과제와 향후 방향은 무엇인가?

주요 결과

• DFL 접근법은 전통적 분산(TD-FL) 및 블록체인 기반(BC-FL) 방법으로 분류된다.
• 여러 데이터세트(MNIST, CIFAR-10, FMNIST 등)에서 수평적, 수직적, 비 IID 및 IID와 같은 다양한 데이터 분할 시나리오가 탐구된다.
• 블록체인 기반 FL 접근법은 분산 합산을 탈중앙화하기 위해 추가적인 합의 및 무결성 메커니즘을 도입한다.
• 전통적 분산 DFL 방법은 P2P 그래프, 가십, 전이 학습 기법을 사용하여 분산화를 달성한다.
• 보안, 인센티브 메커니즘 및 데이터 이질성은 확장 가능한 DFL 구현의 핵심 과제로 남아 있다.