개발도구 연구
DART-FL: Burst-Aware Multitask Federated Learning under Dynamic Inference Demand at the Edge
ARarXiv
엣지 기기에서 모델 학습과 실시간 추론이 공존할 때 발생하는 자원 분배 문제를 해결하는 DART-FL 프레임워크를 소개합니다.
세 줄 요약
- DART-FL은 서비스 수준 목표(SLO) 기반으로 추론 자원을 확보하고, 남는 학습 용량을 수요가 높은 작업에 집중 배분하는 것이 핵심입니다.
- 특히 추론 수요가 급증하는 시기(버스트)에 필요한 작업의 학습을 가속화하여, 실제 서비스 환경에서 모델 정확도를 극대화합니다.
- 자원 할당 시 SLO를 최우선으로 고려하며, 장기적인 다중 작업 성능은 기존 방식과 유사하게 유지됨을 검증했습니다.
엣지 기기에서 모델 학습과 실시간 추론이 공존할 때 발생하는 자원 분배 문제를 해결하는 DART-FL 프레임워크를 소개합니다.