KOSEN 한인과학기술자네트워크

무선통신분야는 과거의 스마트폰-중심 망은 스마트폰, 드론, 연결된 차량, 웨어러블, 센서와 가상현실 장치에 이르는 무선 지원 장치들을 이종 통합하는 Internet of Things(IoT) 생태계로 점차 바뀌는 중대한 변혁을 겪고 있다. 이 전례 없는 전환은 가까운 미래에 무선 트래픽의 기하급수적인 증가를 부추길 뿐만 아니라 기존 멀티미디어 또는 음성 기반 서비스와 근본적으로 다른 새롭고 테스트 되지 않은 무선 서비스 유즈 케이스의 출현으로 이어질 것이다.

예를 들어, 지난 10년 동안 무선통신 진화의 주동인이었던 더 높은 데이터 전송속도의 필요성을 넘어 5G를 시작으로 차세대 무선통신은 풍부하고, 동적인 IoT 환경에 실시간으로 적응할 수 있는 URLLC를 제공할 수 있어야 한다. 즉, 미래의 자율 시스템에 대해 실시간 저지연 제어를 제공할 수 있는 초신뢰 무선 링크를 구축해야 한다. 한편, 미래의 무선통신은 대량의 데이터를 정기적이고 실시 간적으로 엄청난 수의 센싱 장치와 웨어러블 장치로부터 수집해야 한다. 그러한 대규모 짧은 패킷 전송은 전통적으로 무선통신이 하향 링크보다 훨씬 덜 혼잡했던 무선 상향 링크에서 중요한 트래픽으로 이어질 것이다.

이 예들은 결국 근본적으로 다른 무선통신 환경을 조성하고, 여기서 새로운 애플리케이션, 다양한 Quality of Service(QoS)와 신뢰 요구사항은 무선통신 모델링, 분석, 설계 및 최적화 방식에 근본적인 변화를 요구한다. 이러한 계속적인 빠른 무선통신 서비스의 진화에 대처해야 하는 필요성은 새로운 5G 무선통신의 맥락에서 최적의 셀룰러 망 구조가 어떤 것이 될 것인지에 대해 많은 연구를 초래했다. 고밀도 소형 셀 배치, 밀리미터파 통신, 단말 간 직접 통신 등 5G 주요 요소가 파악되었지만, 무선통신 자원과 생성된 데이터를 적응적으로 활용하여 네트워크 운영을 최적화하고 새로운 무선통신과 IoT 서비스의 QoS 요구사항을 실시간으로 보장할 수 있어야 한다. 이러한 모바일 에지와 코어 지능은 무선 인프라와 종단 사용자 기기에 걸쳐 인공지능의 기본 개념이 통합되어야만 실현될 수 있다[3].

인공지능기반 무선통신 네트워크를 만드는 것은 IoT의 진정한 잠재력을 발휘하는 미래 무선 네트워크에 필요한 수많은 인공지능 기능을 제공할 수 있는 적절한 기계학습과 신경망 도구 개발에 달려 있다. 이 도구는 무선통신 환경의 고유한 특성에 맞추어 제작되어야 하며, 이는 로봇 공학이나 컴퓨터 비전에서 인공지능의 기존 애플리케이션과는 매우 다르다. 인공지능은 차세대 무선통신에서 다음 네 가지 역할을 할 것으로 예상한다.

첫째, 인공지능과 기계학습의 가장 자연스러운 적용은 상황인식과 전반적인 망 운영을 향상시키기 위하여 빅데이터 분석을 이용하는 것이다.

둘째, 강력한 예측과 데이터 분석 기능을 넘어 인공지능은 지능적, 데이터-기반 무선통신시스템 최적화의 주요 동인이 될 것이다.

셋째, 시스템 레벨 기능 외에도 인공지능은 무선통신 물리계층에서 핵심 역할을 수행할 수 있다. 일반적인 통신시스템 내에 송신기와 수신기 양쪽 레벨에서 코딩과 변조와 같은 물리계층 기능을 설계하고 동작하는 방식을 재정의하는 데 신경망과 기계학습 도구를 사용할 수 있다. 최근 연구에서 볼 수 있듯이, 신경망과 기계학습 도구는 일반 무선통신시스템에서 송신기와 수신기 모두에서 물리계층 기능을 설계하고 운영하는 방식을 재정의하는 데 사용할 수 있다. 이런 인공지능기반 접근은 무선채널에서 더 낮은 비트 오율과 더 강인함을 제공하는 데 있어서 많은 가능성을 가지고 있는 것으로 나타났다.

마지막으로 중요한 것은 최종 사용자와 망 기능 사이의 차이가 거의 없는 가상현실과 같은 사용자 중심 무선통신 서비스의 신속한 개발이 인간 사용자 행동을 추적하고 적응할 수 있는 무선통신의 필요성에 강한 동기를 부여한다는 점이다.

인공지능기반 무선통신시스템 운영은 더는 특권이 아니라 미래 무선통신의 필수품이 될 것이고, 인공지능 주도 무선통신 설계는 상상할 수 없을 정도로 풍부한 새로운 무선통신 기능과 서비스를 향한 길을 닦을 것이다. 문제는 “기계학습 도구가 무선 네트워크에 통합될 것인가”가 아니라 “언제 그러한 통합이 일어날 것인가”인 것이다. 실제로, 인공지능이 지원하는 무선 네트워크의 중요성은 모바일 에지 캐싱, 컨텍스트-인식 네트워킹, 빅데이터 분석, 위치기반 서비스와 모바일 에지 컴퓨팅과 같은 다수의 최신 무선 네트워킹 패러다임에 의해 이미 동기가 부여되었으며, 그것들의 대부분은 기계학습이나 인공지능의 영향을 받은 도구에 의존한다.

인공지능은 복잡한 비선형 관계 혹은 매우 역동적인 관계인 다양한 시변 입력과 출력 간의 많은 종류의 관계를 포획하는 것이므로 매우 다양한 분야에 잘 적용된다.

우선은 인공지능의 응용으로 콘텐츠 예측, 패턴 인식, 분규, 회귀, 클러스터링, 장애 검출, 금융서비스, 정부, 건강 케어, 운송, 마케팅 및 세일즈와 최근에는 무선통신과 네트워킹 상황에서 큰 관심을 끌고 있다. 특히, 컴퓨팅과 캐싱 기술의 발달로 기지국이 무선통신을 위한 인간 행동을 저장하고 해석하는 것을 가능하게 하고 있다. 무선통신에서 인공지능의 두 가지 주요 응용은 다음과 같다.

첫 번째는 예측, 추론과 빅데이터 해석 목적으로 사용자, 환경과 네트워크 디바이스가 생산한 데이터 집합으로부터 학습하는 무선통신시스템의 능력이다.

두 번째는 인공지능은 네트워크 에지, 기지국, 디바이스에 심어서 자기조직화 망 운영을 가능하게 하는 것으로 에지 지능은 자원관리, 사용자 연계, 데이터 오프로딩을 위한 자기조직 솔루션의 핵심 인에이블러로 동작한다.

인공지능은 예측과 지능·자기 조직 동작을 모두 동시에 적용할 수 있다. 두 기능이 크게 상호 의존하므로 데이터는 의사결정을 돕고 의사결정은 새로운 데이터를 생산한다. 다음은 인공지능을 무선통신에 적용한 다양한 응용 연구이다.

가. UAV 기반 무선통신에 인공지능 적용

하늘에서 땅의 사용자에게 연결성을 제공하는 Unmanned Aerial Vehicle(UAV) 무선통신은 빠른 이동성과 에너지 제약으로 네트워크 모델링, 통신 표준, UAV의 최적 배치, 하늘-땅으로 채널 모델링, 에너지 효율, 경로 계획, 정보보호와 프라이버시 등의 새로운 도전 이슈가 있다. 데이터 수집, 전달, 텔레매틱스 송신을 위한 UAV는 UAV의 비행경로를 최적화하기 위한 지능적 자기조직 제어 알고리즘의 개발이 필요하다. 그리고 전송 지연을 줄이고 커버리지를 개선하기 위해서 사용자에게 셀룰러와 비면허 대역을 어떻게 공동으로 할당할 것인가도 연구되어야 한다.

UAV 기반 무선통신을 위한 인공지능에서 무선통신의 QoS와 서비스 받는 사용자의 Quality of Experience(QoE) 개선을 위해 UAV 기반 무선통신의 유즈 케이스는 다음과 같다.

나. 무선 가상현실에 인공지능 적용

가상현실은 당사자 시야를 통해 가상 몰입 환경을 체험하고 상호작용하는 것을 가능하게 하는 기술로써 현재는 유선 연결에 의한 가상현실로서 전반적으로 사용자 경험을 감소시키므로 무선 연결이 필요하다. 무선통신으로 가상현실 디바이스를 동작시키기 위한 도전은 추적 정확도, 저지연, 고속 데이터 전송, 그리고 효과적인 이미지 압축이고, 사용자의 위치와 회전(머리 이동 혹은 눈 이동 포함), 상·하향 링크의 비대칭 속도를 함께 고려해야 한다. 무선통신 가상현실을 위한 인공지능의 응용은 다음과 같다.

인공지능기반의 무선통신 가상현실에서 도전 이슈는 다음과 같다.

첫째, 무선통신 가상현실 망에서 사용자로부터 수집된 데이터는 기지국에는 알려지지 않은 얼마간의 에러를 포함할 수 있다. 이는 인공지능 훈련에 영향을 주어 예측에 영향을 준다.

둘째, 각 360° 가상현실 이미지의 큰 데이터 크기로 기지국은 가상현실 이미지를 처리하기 위해서 많은 계산 자원을 사용해야 한다. 가상현실 이미지 처리와 신경망 훈련을 위한 계산 자원을 어떻게 효과적으로 할당할 것인지 고려해야 한다.

셋째, 인공지능 훈련에 시간을 소비하면서, 가상현실 응용은 초저지연(ultra-low latency)을 요구한다. 오프라인 훈련을 하거나 빠른 수렴을 하는 인공지능이 필요하다.

인공지능을 무선통신 가상현실 응용에 적용을 고려할 경우 인공지능으로 사용자 동작(머리 움직임과 콘텐츠 요구)을 예측하고, 이 예측은 인공지능기반 강화학습을 도와서 사용자에게 계산 자원과 스펙트럼 자원을 할당하여 결국 QoS를 개선할 수 있다.

지금까지 이동통신기술은 세대를 거듭하면서 주요 혁신을 겪어왔으며, 특히 5G에서는 공중의 드론과 지상의 자동차 등 연결된 이동체, 웨어러블, 센서 그리고 가상현실 장치에까지 무선으로 이용할 수 있는 모든 기기의 이종 혼합으로 통합된 사물인터넷 생태계로 점진적으로 확산되고 있다. 특히, 이동통신기반의 고신뢰·저지연 기술인 URLLC는 그동안 이동통신 진화의 주요 추진력이었던 고속 데이터 전송을 넘어서, 전통적인 멀티미디어 혹은 음성기반의 스마트폰 중심의 소비자 시장에서 타 수직 산업으로 실제적인 응용을 촉발시키는 첫걸음이라 할 수 있다.

NTT DoCoMo도 URLLC 용도를 고신뢰와 저지연을 동시에 요구하는 자율자동차의 제어와 교통 흐름 제어, 스마트 팩토리 및 물류 센터에서 로봇 제어, 드론의 원격 제어, 재난 지역 혹은 다른 위험한 상황에서 원격 의료 등을 고려하고 있다[4]. 이 전례 없는 이동통신의 전환은 현 best-effort 기반 멀티미디어와 음성 서비스와는 근본적으로 다른 고정밀 통신이 필요한 여러 산업에 적용될 수 있는 혁신적인 무선통신 서비스를 위해 중요한 인에이블러 역할을 기대하고 있음을 의미한다.

IEEE P1918.1 표준에서도 제어, 접촉, 센싱과 구동을 실시간으로 전달하는 무선통신인 Tactile Internet을 개발하고 있다[5]. 이와 연계되어 영국 Kings college London[6]에서는 진정한 인터넷 경험, 신뢰할 수 있는 햅틱 경험을 실현하기 위하여 극도로 신뢰하고 강건하면서 가장 적은 지연을 갖는 네트워킹과 통신 프로토콜, 네트워크와 더불어 인공에지 지능을 이용하여 zero 지연을 실현하는 Internet of Skills에 대한 연구개발을 하고 있다. 인공지능이 내재된 망 에지가 원격지에서 이동을 예측하는 Model-Mediated Teleoperation 시스템을 사용해서 그 제어 신호가 지구 다른 쪽에 도달하기 위한 충분한 시간을 제공할 필요성을 제기하고 연구개발을 진행하고 있다.

또한, Tactile Internet을 연구하는 독일 드레스덴 공과대학[7]은 연결 신뢰성(Connectivity Reliability) 향상이 미래 무선통신 설계에서 가장 도전적인 요구사항이라 생각하고, 1960년부터 시작된 신뢰성 이론을 무선통신에 적합한 메트릭에 대한 연구를 진행하였다. 2008년 ITU-T E.800[8]에서 신뢰성을 아이템이 주어진 시간 구간 동안 상태 조건하에서 요구되는 기능을 수행할 수 있는 확률로 정의하고, 즉 특정 시간에서 시작된 구간동안 아이템이 고장나지 않고 동작하는 것을 의미한다. 무선통신에서 신뢰성은 목표 서비스가 요구하는 시간 제약하에 주어진 노드에 성공적으로 전달되는 송신한 네트워크 계층 패킷의 양을 송신한 네트워크 계층 패킷의 전체 수로 나눈 것으로 정의하였다.

University of Oulu에서는 기계학습을 URLLC에 적용한 차세대 URLLC에 대한 연구를 진행 중이다[9]. 그 연구 방향은 본질적으로 URLLC는 평균 기반의 시스템 설계로부터 벗어나 꼬리, 위험, 규모에 중심을 둔 새로운 혁신적인 설계가 필요하다는 것이다. 여기서 위험은 불확실 상황에서 의사결정을 다루는 것을 의미하고, 규모는 망 설계, 최적화 그리고 확장성에서 경험하지 못한 도전적인 급격한 수의 디바이스, 안테나, 센서, 구동기(Actuator)라는 것이다.

최근 기계학습과 심화학습이 다양한 응용에 적용되고 있지만, 전통적인 기계학습의 전제는 글로벌 데이터에 완전 액세스하고, 대규모의 저장과 계산 능력으로 추론을 위해 이 데이터를 통해 면밀히 조사하는 중앙의 원격 데이터 센터 단 하나의 노드에 기반하는 것이다. 그러나 드론, 증강현실/가상현실, 자율주행차와 같은 지능 디바이스와 고위험 응용에 적용하기 위해서는 지연을 허용하지 않는 실시간이어야 하고, 망 연결이 안 될 경우에도 높은 신뢰성으로 동작하여야 하기 때문에 클라우드 기반의 기계학습으로는 부족하다는 것이다. 그 구체적인 예는 다음과 같다.

이 새로운 응용은 클라우드에 기반한 중앙화된 훈련과 추론으로부터 벗어나 에지단에서 기계학습이라는 새로운 시스템 설계를 위해 URLLC 응용에서 요구되는 분산된 저지연 그리고 신뢰할 수 있는 기계학습을 필요로 한다. 이 에지 기계학습이 기존 기계학습과 다른 점은 다음과 같다.

그리고 상기의 제약 사항을 극복한 에지단 기계학습의 확보 시 제공하는 장점은 다음과 같다.

연결된 디바이스에서 직접 추론하므로 예측을 위해 디바이스가 발생시킨 데이터를 클라우드에 보내는 지연과 비용을 줄인다. 따라서 매우 낮은 지연으로 추론 결과를 얻는 것은 미션 크리티컬 사물인터넷 응용이 국소 사건에 빠르게 대응하는 데 중요하다.

클라우드기반 기계학습과 달리, 에지 기계학습은 훈련 데이터가 클라우드에 로그되지 않고 모든 디바이스에서 국소에 유지되므로 프라이버시가 보호된다.

높은 추론 정확도는 풍부한 사용자가 발생한 데이터, 심지어 프라이버시 정보가 포함된 샘플로 훈련되어 달성할 수 있다.

그러나 에지 기계학습은 통신과 온-디바이스 자원 제약(에너지, 메모리, 계산 능력)이 얽힌 시스템 설계를 해야 하는 새로운 연구 분야이다.

결론적으로 미래에는 지능을 기본적으로 가진 지능 사물(드론, 자동차, 로봇 등)의 제어, 원격 의료를 위한 제어 등을 전 세계 어디에서나 언제든지 실시간으로 정확한 시각에 저지연·고정밀 제어하기 위해서는 기계학습기반의 초신뢰 무선통신이 필요하다.

University of Oulu은 이 기계학습기반 URLLC 연구 방향성으로 그림 2와 같이 무선통신을 위한 기계학습과 기계학습을 위한 무선통신 두 가지를 제안하였다[9].

그림 2

 

기계학습과 URLLC 간 개념도

무선통신을 위한 기계학습은 통신 성능 개선을 위해 에지 기계학습을 이용하는 것으로, 기계학습의 도움으로(데이터 주도로) 무선통신을 설계한다는 것이다. 에지 기계학습의 지연과 신뢰성은 단지 통신뿐만 아니라 꼬리 분포, 새로운 무선통신과 기계학습의 공동 설계, 불확실성과 위험 평가의 연구에 기반을 둔 새로운 해석적 분석 방법을 요구하는 분산 기계학습 훈련과 추론 프로세스 관점에서 검토되어야 한다. 여기서 신뢰는 성공적인 수신과 저지연 편차의 신뢰를 의미한다.

기계학습을 위한 무선통신은 무선망 에지에서 기계학습을 훈련시키는 것으로 지연과 신뢰를 고려하여 에지 기계학습의 구조와 동작들은 통신 오버헤드와 채널 역동성을 처리함으로써 최적화하는 것이다. 각 에지의 제한된 국소 훈련 데이터 조건에서 모델링되지 않는 현상에 대한 훈련 프로세스와 일반화에서 진부한 디바이스와 같은 몇 가지 문제들에 대처가 필요하다. 에지 기계학습 훈련 구조의 흥미로운 예인 연합 학습(FL: Federated Learning, 모바일 디바이스들이 주기적으로 국소 훈련 동안 그들의 신경망 가중치와 gradients를 교환하는 것), 모델 상태정보 양자화, 모델 상태정보 갱신 주기 조절과 디바이스 스케줄링 정책 최적화로 통신 효율 개선 등 방법들은 아직 초기 단계로서 수많은 기본적 도전을 해소할 필요가 있다.

이의 두 가지 기계학습을 위한 무선통신과 무선통신을 위한 기계학습의 구체적인 연구방향에 대한 질문은 훈련과 추론하는 동안 에지 기계학습의 이론적·기술적인 에이블러가 종단 간 지연, 신뢰, 확장성에 어떻게 영향을 줄 것인가이다. 무선통신을 위한 기계학습 관점에서 긴박한 URLLC 응용은 에지 기계학습의 사용으로 자율권을 받았지만, 기계학습을 위한 무선통신에서 에지 기계학습은 온디바이스의 제약 조건에서 무선통신 연결성을 통해 향상된다. 이 관점에서 에지 기계학습의 설계는 기계학습을 위한 무선통신뿐만 아니라 종단 간 지연, 신뢰, 확장성을 요구하는 무선통신을 위한 기계학습을 향상시킬 수 있다.

기준 디바이스의 최악의 지연은 훈련·추론·응용 지연이고, 기준 디바이스의 종단 간 신뢰성은 종단 간 지연이 목표 지연 마감시간을 넘지 않을 확률이며, 훈련과 추론의 신뢰성에 의해서 결정된다. 훈련 신뢰성에서는 교환된 모델 상태 정보의 진부가 훈련 수렴을 방해하고, 무한한 훈련 지연을 야기할 수 있으므로 핵심 장애물이다. 추론 신뢰성에서 높은 추론 정확도는 응용 지연을 축소하는 데 필수적이다.

기계학습을 위한 무선통신을 위해 훈련 동안 통신 지연 신뢰성이 높아질수록, 즉 낮은 통신 지연 분산을 가지면, 더 높은 훈련 수렴은 낙오된 훈련 디바이스를 피하는 것을 보장한다. 따라서 더 낮은 지연 분산은 추론 손실을 감소시켜 응용(통신) 지연을 줄이고 종단 간 신뢰성을 증가시킨다.

무선통신을 위한 기계학습을 위해 더 낮은 일반화 에러는 응용 지연의 더 낮은 변동을 초래하여 더 높은 종단 간 신뢰를 얻는다.

5G URLLC는 이동통신에서 신뢰성과 지연을 보장하자는 것이다. 최근 현장시험 보고(NTT Do-CoMo, 2018)에 따르면 최대 200바이트의 패킷이 1km 내에서 이동하는 하나의 디바이스에 제공되었다. 즉, 1ms 지연과 99.999%의 복호 성공률이라는 현 5G URLLC 요구사항을 현장시험으로 보여주었다[4].

그러나 더 나아가서 다른 여러 산업에 적용하기 위해 슬라이싱 기술 기반으로 URLLC와 eMBB의 동시 전송, URLLC와 mMTC의 동시 전송, URLLC와 eMBB 그리고 mMTC의 동시 전송을 고려하고 있다. 그러나 이 슬라이싱 기술만으로 단일 디바이스가 여러 서비스를 동시에 요구하는 경우에서 다가올 다음과 같은 고위험의 새로운 URLLC 응용에는 부적합할 수 있다.

따라서 무선통신을 넘어 자동화되거나 원격 제어되는 이동체 드론 및 공장은 새로운 혁신적인 URLLC 제어를 요구한다. 이 제어 시스템의 제어 피드백 루프의 신뢰성은 바로 직접적으로 시스템 성능에 영향을 주는데 잃어버리거나 오래된 정보와 명령은 바람직하지 않으며, 시스템 동작의 혼란을 초래하는데 제어기와 디바이스 간의 무선통신 링크가 중심역할을 한다. 이 관점에서 URLLC와 제어에 대한 연구는 조화, 강건성, 센싱을 중심으로 최근에 떠오르고 있다.

기계학습의 고전적 개념은 주로 오프라인과 중앙화 기계학습에 초점을 두는 것으로 모든 데이터 집합은 사전에 주어지고 훈련 프로세스에 사용된다. 중앙제어기는 훈련 손실이 수렴할 때까지 훈련하는데, 이 훈련 프로세스는 추론과 분리되므로 훈련 비용과 지연은 보통 무시된다. 중앙화 기계학습을 사용하여 훈련된 모델은 초기에 고정된 훈련 데이터 집합으로 바이어스되므로 사용자가 발생하고 시변 특징의 데이터를 포획하는 것에 실패해서 신뢰성이 낮은 추론 결과를 초래한다. 더군다나 사용자가 발생한 데이터 집합은 프라이버시에 민감하므로 소유자가 중앙 제어기가 데이터에 직접 액세스하는 것을 허락하지 않을 수 있다.

반면에 온라인과 에지 기계학습은 이러한 문제들을 다룰 수 있다. 온라인 분산 훈련은 데이터 집합이 아니라 모델 파라메터를 교환함으로써 프라이버시를 보호할 수 있으므로 엄청난 크기의 사용자 발생 데이터 샘플을 실시간으로 반영할 수 있다. 이를 통해 훈련된 모델은 저지연 추론이 가능하도록 국소 모바일 디바이스에서 즉각 얻을 수 있다. 그러나 기계학습에 대한 풍부한 문헌에도 불구하고, 무선에서 많은 모바일 디바이스를 가진 에지 기계학습은 초기단계의 연구 분야이다. 즉, 처음 보는 샘플에서도 높은 정확도를 달성하기 위해 기계학습을 어떻게 훈련시킬 것인가가 완전히 명확하지 않다.

에지 기계학습에서 풀어야 할 이슈는 온 디바이스 제약과 통신 자체의 장애물이다. 온 디바이스 제약으로는 에너지 한계, 메모리 한계, 프라이버시 보장이다.

통신 장애물은 무선통신 용량의 변동성과 상·하향 링크의 비대칭성이다. 중앙화 ML에서는 통신 링크가 암시적으로 유선을 가정한다. 그러나 에지 ML에서 통신 링크는 대부분이 용량이 제한된 무선 채널로, 무선 채널 용량은 간헐적인 채널 조건과 망 부하로 매우 자주 변한다. 따라서 모델 상태 정보는 적절히 압축되고, 누구와 얼마나 자주 모델 상태 정보를 교환할지가 최적화되어야 한다. 연합훈련 모드 적용 시 디바이스의 전력 제한으로 상향 링크의 통신 용량이 하향 링크보다 적은데, 이 사항이 Model State Information(MSI) 교환 방법에는 고려되지 않는다.

여기서 연합훈련이라는 것은 중앙에 데이터를 저장할 필요 없이 이 풍부한 데이터로부터 훈련된 공유 모델의 이득을 총체적으로 수확하게 하는 학습기술이다. 이 학습은 중앙 서버에 의해서 조정되는 참여 디바이스(클라이언트)의 느슨한 연합에 의해 해결된다. 즉 각 클라이언트는 서버에 업로드되지 않은 국소 훈련 데이터 집합을 가지고, 대신에 각 클라이언트는 서버가 유지하는 현 글로벌 모델에 갱신을 계산하고, 이 갱신을 통신한다. 이는 소비자 데이터의 프라이버시에 관하여 ‘2012 white house report’에 의해 제안된 focused collection 혹은 data minimization의 원칙에 직접 응용이다. 이 갱신은 현 모델을 갱신하는 것에 특정되므로 일단 적용된다면 그들을 저장할 이유는 없다. 이 접근의 주요 장점은 모델 훈련을 원시 훈련 데이터에 직접 액세스할 필요로부터 분리하는 것이다. 그러나 훈련을 조절하는 서버의 신뢰는 여전히 필요하다[9,10].

기계학습을 통신에 적용 시 신뢰성 보장에 대해 소개한다. 전통적인 기계학습은 평균 손실과 평균 훈련 지연을 최소화하는 것에 큰 중심을 두기 때문에 이 접근은 계산의 신뢰 구간을 생략해서 URLLC 응용을 지원하기에 부족하므로 대신에 목표 신뢰성을 보장하기 위한 손실과 지연을 평가하는 것이 필수적이다. 따라서 우선 추론 신뢰성과 훈련 지연 간의 연결에 중점을 두고, 이어서 주어진 종단 응용을 위한 훈련 처리 동안 통신 지연과 신뢰성 간의 관계에 중점을 두어야 한다. 훈련 지연은 목표 추론 신뢰성을 가진 목표 추론 정확도를 달성할 때까지 샘플 복잡도라 불리는 요구되는 훈련 데이터 샘플 수에 의해 주로 결정된다. 그러나 불운하게도 전통적인 기계학습은 목표 추론 신뢰성이 아닌 목표 추론 정확도를 출력한다.

기계학습을 통신에 적용 시 지연 감소와 확장성 증가에 대해 소개한다. 데이터 주도의 기계학습 접근의 성능은 얼마나 많은 데이터 샘플을 사용하는가에 달려 있다. 따라서 데이터 샘플이 디바이스에 의해 발생하는 에지 기계학습에서 문제는 많은 디바이스가 어떻게 연합하는가로 압축할 수 있다. 연합하는 동안에 프라이버시 보호 메커니즘을 제공하는 것이 연합 영역을 증가시키는 핵심이다.

University of Oulu[11]은 통신과 온 디바이스 제약 조건에서 저지연 분산 훈련과 신뢰할 수 있고 정확한 분산 추론을 가능하게 하는 기술적 솔루션을 다음과 같이 제안하였다. 우선은 기계학습 신뢰성 개선을 위해서 일반화 에러는 Energy Landscape(EL)에서 평평한 최솟값을 찾기 위한 신경망 훈련 알고리즘을 설계하면 감소할 수 있다고 하였다. 그리고 분산 훈련 동안 통신 지연을 감소하기 위해 MSI 교환 기법으로 주기적으로 모델의 MSI를 교환하는 것, 출력 MSI를 교환하는 것, 무선통신의 상·하향 링크의 비대칭을 고려한 MSI 교환 등에 대한 연구를 진행 중이다.