[논문 리뷰] A Survey on Federated Learning and its Applications for Accelerating Industrial Internet of Things

Jiehan Zhou, Shouhua Zhang외 8명|arXiv (Cornell University)|2021. 04. 21.

Privacy-Preserving Technologies in Data참고 문헌 102인용 수 28

한 줄 요약

본 고찰은 IIoT를 위한 Federated Learning에 대해 검토하고, 일반 프레임워크, 최신 주제, 경제적 영향, 그리고 미래 지향적 FL-transformed 제조 패러다임을 제시한다.

ABSTRACT

Federated learning (FL) brings collaborative intelligence into industries without centralized training data to accelerate the process of Industry 4.0 on the edge computing level. FL solves the dilemma in which enterprises wish to make the use of data intelligence with security concerns. To accelerate industrial Internet of things with the further leverage of FL, existing achievements on FL are developed from three aspects: 1) define terminologies and elaborate a general framework of FL for accommodating various scenarios; 2) discuss the state-of-the-art of FL on fundamental researches including data partitioning, privacy preservation, model optimization, local model transportation, personalization, motivation mechanism, platform & tools, and benchmark; 3) discuss the impacts of FL from the economic perspective. To attract more attention from industrial academia and practice, a FL-transformed manufacturing paradigm is presented, and future research directions of FL are given and possible immediate applications in Industry 4.0 domain are also proposed.

연구 동기 및 목표

• 다양한 IIoT 시나리오에 적합한 용어를 정의하고 일반 FL 프레임워크를 제시합니다.
• 데이터 분할, 프라이버시 보존, 모델 최적화, 로컬 모델 전송, 개인화, 동기 부여 메커니즘, 플랫폼/도구, 벤치마크를 포함한 최신 주제를 조사합니다.
• 산업 맥락에서의 FL의 경제적 영향에 대해 논의하고 FL-변환 제조 패러다임을 제시합니다.
• 향후 연구 방향과 Industry 4.0의 즉시 적용 사례를 제안합니다.

제안 방법

• FL 개념에 대한 구조화된 개요와 IIoT 응용을 위한 일반 프레임워크를 제공합니다.
• 데이터 분할, 프라이버시, 모델 최적화, 로컬 전송, 개인화, 동기 부여, 플랫폼/도구, 벤치마크 등의 핵심 연구 영역과 기법을 요약합니다.
• Industry 4.0 워크플로우에 맞춘 FL-변환 제조 패러다임을 소개합니다.
• 경제적 함의를 분석하고 Industry 4.0에서의 실용적 향후 방향과 응용 사례를 개략합니다.
• 산업 현장에서의 구체적인 향후 연구 방향과 잠재적 즉시 응용 사례를 제시합니다.

실험 결과

연구 질문

• RQ1 다양한 IIoT 시나리오에 적합한 일반 Federated Learning 프레임워크는 무엇인가?
• RQ2 IIoT FL의 데이터 분할, 프라이버시 보존, 모델 최적화, 로컬 모델 전송, 개인화, 동기 부여 메커니즘, 플랫폼/도구, 벤치마크에 대한 최신 기술은 무엇인가?
• RQ3 산업 맥락에서 FL를 적용하는 경제적 영향은 무엇인가?
• RQ4 FL-변환 제조 패러다임은 어떠하며 즉시 구현 가능한 Industry 4.0 적용 사례는 무엇인가?

주요 결과

• Federated learning은 산업 현장에서 중앙 집중식 학습 데이터 없이 협력적 지능을 가능하게 한다.
• FL은 분산 데이터를 활용하면서 보안 이슈를 유지하는 방식으로 Edge에서 Industry 4.0을 가속화할 수 있다.
• IIoT를 위한 일반적인 FL 프레임워크가 정의되고 기초 연구 주제 및 실용적인 플랫폼과 벤치마크가 함께 제시된다.
• 산업에서의 FL의 경제적 고려사항이 논의되며, 제안된 FL-변환 제조 패러다임과 향후 연구 방향이 제시된다.
• 본 논문은 Industry 4.0에서의 즉시 적용 가능성이 있는 응용 사례를 강조하고, FL-enabled 산업 생태계의 추가 연구 방향을 개략한다.