분포 외부 탐지를 이용한 연합 학습을 위한 적응형 이중 가중치 프레임워크

Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection

연합 학습(FL)은 데이터 개인 정보를 보호하면서 대규모 분산 서비스 노드 간의 협업 모델 학습을 가능하게 하며, 엣지-클라우드 환경에서 지능형 서비스 시스템의 핵심 기술입니다. 그러나 실제 서비스 환경에서는 다양한 사용자, 장치 및 애플리케이션 시나리오에서 생성된 데이터가 본질적으로 비독립적이고 동일한 분포(non-IID)를 따르지 않습니다. 이러한 심각한 데이터 이질성은 글로벌 모델의 수렴 안정성, 일반화 능력 및 궁극적으로 서비스 품질을 저해합니다. 이러한 문제를 해결하기 위해, 본 연구에서는 분포 외부(OOD) 탐지에 영감을 받은 새로운 연합 학습 프레임워크인 FLood를 제안합니다. FLood는 로컬 학습과 글로벌 집계를 동시에 제어하는 이중 가중치 메커니즘을 통해 데이터 이질성의 부정적인 영향을 동적으로 완화합니다. 클라이언트 수준에서는 지도 학습 손실을 가중치를 조정하여, 분포적으로 일치하지 않거나 어려운 데이터에서 보다 강력한 학습을 유도합니다. 서버 수준에서는 모델 집계를 개선하기 위해, 클라이언트의 OOD 신뢰도 점수에 따라 클라이언트 기여도를 가중치 부여하여, 분포 내 일관성이 높은 클라이언트의 업데이트를 우선시하고 글로벌 모델의 견고성 및 수렴 안정성을 향상시킵니다. 다양한 비-IID 환경에서 여러 벤치마크를 사용하여 수행한 광범위한 실험 결과, FLood는 정확도와 일반화 측면에서 최첨단 연합 학습 방법보다 꾸준히 우수한 성능을 보였습니다. 또한, FLood는 독립적인 플러그인 모듈로 작동하며, 기존 연합 학습 알고리즘과 원활하게 통합되어 핵심 최적화 로직을 변경하지 않고도 성능을 향상시킬 수 있습니다. 이러한 특성으로 인해 FLood는 실제 연합 환경에서 안정적인 지능형 서비스를 배포하기 위한 실용적이고 확장 가능한 솔루션입니다.

Federated Learning (FL) enables collaborative model training across large-scale distributed service nodes while preserving data privacy, making it a cornerstone of intelligent service systems in edge-cloud environments. However, in real-world service-oriented deployments, data generated by heterogeneous users, devices, and application scenarios are inherently non-IID. This severe data heterogeneity critically undermines the convergence stability, generalization ability, and ultimately the quality of service delivered by the global model. To address this challenge, we propose FLood, a novel FL framework inspired by out-of-distribution (OOD) detection. FLood dynamically counteracts the adverse effects of heterogeneity through a dual-weighting mechanism that jointly governs local training and global aggregation. At the client level, it adaptively reweights the supervised loss by upweighting pseudo-OOD samples, thereby encouraging more robust learning from distributionally misaligned or challenging data. At the server level, it refines model aggregation by weighting client contributions according to their OOD confidence scores, prioritizing updates from clients with higher in-distribution consistency and enhancing the global model's robustness and convergence stability. Extensive experiments across multiple benchmarks under diverse non-IID settings demonstrate that FLood consistently outperforms state-of-the-art FL methods in both accuracy and generalization. Furthermore, FLood functions as an orthogonal plug-in module: it seamlessly integrates with existing FL algorithms to boost their performance under heterogeneity without modifying their core optimization logic. These properties make FLood a practical and scalable solution for deploying reliable intelligent services in real-world federated environments.