DGIST 로봇및기계전자공학과 박상현 교수팀이 미국 스탠퍼드대학교 연구진과 공동으로 개인정보를 공유하지 않고도 대규모 모델을 효율적으로 학습할 수 있는 새로운 연합학습 인공지능 기법을 개발했습니다.

이번 연구 성과는 의료 영상 분석 분야에서 개인정보 보호와 학습 효율성, 성능을 동시에 확보할 수 있음을 제시했습니다.

의료 영상 데이터는 환자의 민감한 개인정보를 포함하고 있어 병원 간 공유가 제한적이어서, 대규모 데이터를 활용한 인공지능 모델 개발에는 어려움이 있었고 대안으로 제시된 연합학습은 환자 데이터 대신 학습된 모델만을 공유해 공동 학습을 수행하지만, 반복적인 전송으로 인해 시간과 비용 소모가 크다는 한계가 있었습니다.

박상현 교수 연구팀은 이러한 한계를 해결하기 위해 합성 이미지에 구조적 노이즈를 추가하고 믹스업 기법을 활용해 가상의 중간 샘플을 생성하는 방식을 제안했고 이를 통해 학습 데이터 다양성을 확보해 오버피팅을 줄이고, 합성 이미지를 재활용함으로써 불필요한 연산을 줄여 계산 효율성을 개선했습니다.

연구팀은 해당 기법을 방사선영상, 병리영상, 피부경영상, 안저영상 등 다양한 의료 영상 데이터셋에 적용한 결과, 기존 원샷 연합학습 방법보다 더 적은 계산으로 더 높은 정확도를 달성했습니다.