연합학습 AI 성능 한계 돌파

연합학습 AI 성능 한계 돌파

개인정보를 공유하지 않고도 고성능 인공지능을 학습할 수 있는 연합학습 AI의 구조적 한계를 해결할 새로운 접근법이 제시됐다. 국내 연구진은 의료·금융처럼 데이터 보안이 중요한 환경에서도 안정적으로 활용 가능한 연합학습 기술을 개발했다.

1️⃣ 개인정보 보호를 위한 연합학습의 등장

환자 진료기록이나 금융 거래 데이터는 개인정보 이슈로 인해 한곳에 모아 학습하기 어렵다. 이를 해결하기 위해 고안된 방식이 바로 연합학습(Federated Learning)이다.

연합학습은 각 기관이 데이터를 외부로 공유하지 않은 채 학습 결과만을 교환해 하나의 AI 모델을 공동으로 만드는 구조다. 병원, 은행, 공공기관 등에서 주목받아 왔지만 실제 적용 과정에서는 성능 저하라는 한계가 존재했다.

2️⃣ 기존 연합학습의 구조적 한계

공동 학습 후 각 기관이 AI를 자체 환경에 맞게 추가 학습하는 과정에서, 모델이 특정 기관의 데이터 특성에 과도하게 적응하는 문제가 발생했다. 이로 인해 새로운 유형의 데이터나 다른 환경에서는 성능이 급격히 떨어지는 현상이 나타났다.

예를 들어 여러 은행이 함께 대출 심사 AI를 만든 뒤, 특정 은행이 대기업 고객 데이터를 중심으로 추가 학습하면 개인이나 스타트업 고객에 대한 판단 정확도가 낮아지는 문제가 발생한다.

3️⃣ 합성 데이터로 일반화 성능 유지

:contentReference[oaicite:0]{index=0} 박찬영 교수 연구진은 이러한 문제를 해결하기 위해 합성 데이터(Synthetic Data) 방식을 도입했다.

각 기관의 실제 데이터에서 핵심적이고 대표적인 특징만을 추출해 개인정보가 포함되지 않은 가상 데이터를 생성하고, 이를 AI 학습 과정에 함께 활용하는 방식이다.

이 방법을 적용하면 각 기관은 개인정보를 공유하지 않으면서도 자신들의 데이터 특성에 맞는 전문성을 강화할 수 있고, 동시에 공동 학습을 통해 확보한 AI의 일반화 성능도 유지할 수 있다.

4️⃣ 의료·금융 전반으로 확장 가능성

연구 결과 해당 학습 방식은 의료·금융처럼 데이터 보안이 중요한 분야뿐 아니라, 소셜미디어나 전자상거래처럼 사용자와 상품이 지속적으로 변화하는 환경에서도 안정적인 성능을 보였다.

박찬영 교수는 “데이터 프라이버시를 지키면서도 각 기관의 AI가 전문성과 범용성을 동시에 확보할 수 있는 새로운 길을 제시했다”고 평가했다.

5️⃣ 참고 자료 및 국제 발표

이번 연구 성과는 arXiv에 사전 공개된 논문에서 확인할 수 있다:
arXiv:2503.03995

또한 2025년 싱가포르에서 열린 :contentReference[oaicite:1]{index=1} (ICLR 2025)에서 상위 1.8% 논문으로 선정돼 구두 발표로 발표되었다.

연합학습 AI가 실서비스 환경에서 보다 신뢰할 수 있는 기술로 자리 잡는 데 중요한 전환점이 될 연구로 평가받고 있다.