연합학습(Federated Learning)은 데이터 프라이버시를 보장하며 분산 환경에서 협력 학습을 가능하게 하지만, 기존 연구들은 학습 및 평가 클래스가 동일하다는 닫힌 집합 가정에 머물러 실제 환경의 불확실성에 취약했다. 이를 해결하기 위해 FedOS는 GAN 기반 unknown 샘플 생성을 통해 open-set 인식을 처음으로 연합학습에 도입하였고, FedPD는 파라미터 분리를 통해 클라이언트 간 간섭을 완화하고 안정적인 집계를 달성하였다. 이어 FedOSS는 클라이언트 간 특징 불일치와 협력을 통합적으로 고려하면서, known 샘플을 결정경계 밖으로 밀어내어 unknown으로 확장시키는 방식을 활용해 unknown 생성에 의존하지 않는 일반화된 접근을 제시하였다. 이러한 연구들은 연합학습을 닫힌 환경에서 열린(open) 환경으로 확장시키며, 실제 분산 데이터의 불확실성에 대응할 수 있는 방향으로 발전시켰다. 본 세미나에서는 open set recognition과 federated learning을 결합한 연구의 근간이 되는 FedOS부터 FedOSS까지의 연구 동향에 대해 살펴보고자 한다.

[1] Mohamad, M., Neubert, J., & Argayo, J. S. (2022). FedOS: using open-set learning to stabilize training in federated learning. arXiv preprint arXiv:2208.11512.

[2] Yang, C., Zhu, M., Liu, Y., & Yuan, Y. (2023). FedPD: Federated Open Set Recognition with Parameter Disentanglement. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 4882–4891).

[3] Zhu, M., Liao, J., Liu, J., & Yuan, Y. (2024). FedOSS: Federated Open Set Recognition via Inter-Client Discrepancy and Collaboration. IEEE Transactions on Medical Imaging, 43(1), 190–202.