최근 무선 통신 기술의 발전으로 광범위한 사물 인터넷 장치로부터 정보를 수집하며 데이터 기반 접근 방식의 발전을 이끌고 있다. 분산되어 있는 로컬 장치로부터 획득된 로컬 데이터로 기계 학습 모델을 훈련하기 위해서 일반적으로 고성능 클라우드 서버가 전체 데이터 처리하는 중앙 집중식 방식을 주로 채택하고 있다. 하지만 로컬 장치에서 클라우드 서버로 데이터를 전송하는 것은 개인 정보보호, 제한된 무선 자원 등의 문제로 바람직하지 않거나 구현하는 것이 불가능하다. 최근 연합 학습(federated learning)이라는 분산형 방식이 글로벌 모델을 중앙 집중식 방식의 문제를 해결함으로써 주목받고 있다. 연합 학습은 로컬 장치로부터의 직접적인 데이터 전송 없이 기계 학습 모델을 학습할 수 있으므로 중앙 집중식 방식의 문제를 완화하였다. 하지만 차세대 통신에서는 더 많은 로컬 장치가 통신하기를 바라며 기계 학습에서는 학습을 위한 더 많은 로컬 데이터를 바라기 때문에 연합 학습을 가능하게 하는 새로운 무선 시스템을 설계하는 것이 중요하다.
무선 연산(over-the-air computation)은 다중 접속 채널에서 신호 중첩의 원리를 이용하여 각 로컬 디바이스로부터 송신된 신호들이 집계된 정보를 획득하며 기지국과 로컬 장치 간의 통신 오버헤드를 줄일 수 있다. 연합 학습에서 클라우드 서버는 개별 로컬 장치의 모델 정보가 필요하지 않으며 로컬 모델들이 집계된 정보만 필요하다. 따라서 무선 연합 학습(over-the-air federated learning)은 더 많은 장치가 학습에 참여하는 것을 가능하게 하며 인공지능을 위한 차세대 통신으로 주목받고 있다. 그러나 이러한 이점에도 불구하고 무선 연합 학습은 제한된 자원, 신뢰성, 데이터 이질성 등과 같은 몇 가지 문제가 존재한다. 본 논문에서는 무선 연합 학습에서의 기계 학습 모델의 안정성 및 학습 성능에 대해서 논의한다.
본 논문에서는 먼저 무선 연합 학습에서의 빔포밍 벡터 설계 및 장치 선택 알고리즘을 제안한다. 일반적으로 학습에 참여하는 장치가 많을수록 인공지능 모델의 성능이 향상되는 것이 잘 알려져 있다. 하지만 더 많은 장치가 학습에 참여하기 위해서는 무선 연합 학습에서 학습 성능을 저하할 수 있는 집계 에러가 커야 한다는 문제가 있다. 따라서 본 논문에서는 제한된 집계 에러 내에서 연합 학습에 참여하는 장치의 수를 최대화하는 문제를 해결한다. 다음으로 연합 학습에 참여하는 장치를 선택하기 위해 차세대 통신의 해결책으로 주목받고 있는 메타물질 기반의 지능형 반사 표면(Intelligent Reflecting Surface)과 빔포밍 벡터를 동시에 최적화하는 알고리즘을 제안한다. 마지막으로 기계 학습에서의 중요한 요소인 학습률(learning rate)과 빔포밍 벡터를 동시에 설계하여 무선 연합 학습에서의 집계 에러를 줄이고 안정적인 학습 성능을 달성하게 하는 알고리즘을 제안한다.