SFRL 도입을 통한 UAM 라우팅 통신 비용 50배 절감 및 망각 현상 87% 개선

Context

재난 복구 상황의 UAM 라우팅 시 데이터 희소성, 개인정보 보호, 초저지연성이라는 세 가지 제약 조건 발생. 기존 Dense Federated Learning 방식은 과도한 Communication Overhead로 인해 실시간 응답성 확보에 한계 노출.

Technical Solution

• 신경과학의 Sparse Coding 원리를 적용하여 1~4%의 유효 뉴런만 활성화하는 Sparse Federated Representation Learning(SFRL) 설계
• Softshrink 활성화 함수와 학습 가능한 임계값을 활용하여 입력 데이터를 고차원 희소 벡터로 인코딩하는 SparseEncoder 구현
• 비제로(Non-zero) 값과 인덱스만 전송하는 방식을 통해 모델 파라미터 전송량을 획기적으로 줄인 통신 구조 최적화
• 뇌의 기억 공고화 메커니즘을 모방하여 중요 패턴을 우선 샘플링하는 Experience Replay 버퍼를 구축해 Catastrophic Forgetting 방지
• Anomaly Detection 경로를 병렬로 배치한 RobustSparseEncoder를 통해 센서 스푸핑 및 데이터 오염에 대응하는 강건한 추론 구조 설계

Impact

• 기존 Dense 모델 대비 50:1 이상의 데이터 압축률 달성
• Biologically-inspired Replay 기법 도입을 통한 Catastrophic Forgetting 87% 감소

Key Takeaway

데이터 전송 병목이 심한 분산 환경에서는 전체 파라미터 업데이트 대신 도메인 특화된 희소 표현(Sparse Representation)을 학습시켜 통신 효율과 모델 성능의 Trade-off를 해결 가능함.