C2FL: 공간 및 시간 드리프트 하의 클러스터링 연속 연합 학습
C2FL: Clustered Continual Federated Learning under Spatial and Temporal Drift
집합 적응 시스템(Collective Adaptive Systems, CAS)은 점점 더 기계 학습에 의존하여 각 노드가 로컬에서 감지한 데이터로부터 학습하고, 주변 환경에 맞게 동작을 정렬하게 한다. 그러나 이러한 지능을 확장하는 것은 근본적인 과제를 제기한다. 감지 데이터는 종종 프라이버시에 민감하여 중앙 집중식 수집을 막고, 노드는 이동성을 가지며 근처 노드는 유사한 현상을 인지하는 반면 먼 노드는 극적으로 다른 조건을 관찰하여 자연스러운 공간 클러스터를 형성하며, 이러한 분포는 이동성으로 인해 시간에 따라 진화하여 시간적 드리프트(temporal drift)를 도입하고 로컬 모델을 점진적으로 구식화시킨다. 이러한 역학은 차량 센싱, 드론 기반 모니터링, 스마트폰 크라우드센싱 등 여러 도메인에서 나타나지만, 프라이버시, 공간 이질성(spatial heterogeneity), 시간적 드리프트의 상호작용은 기존 학습 전략을 심각하게 약화시킨다. 따라서 우리는 C2FL을 제안한다. 이는 노드가 공간 클러스터링을 통해 학습 그룹으로 자기 조직화하는 완전 분산형 연합 학습(Federated Learning, FL) 접근법으로, 환경의 지리적 구조를 반영한다. 시간적 드리프트를 상쇄하기 위해 각 노드는 경험 재생(experience replay)과 체류 시간 인식(dwell-time-aware) 적응형 평균화 단계를 결합하여, 동일한 영역 내에 더 오래 머무는 동안 점진적으로 지역적 합의(regional consensus)를 통합하면서 진화하는 분포 하에서 이전에 습득한 지식을 보존한다. 공간 및 시간적 변화를 체계적으로 재현하는 합성 실험에서 접근법을 평가한 결과, 표준 연합 학습 전략이 이러한 조건에서 크게 저하되고 우리 방법이 견고한 집합 적응을 회복함을 보여준다.