기존의 중앙 집중식 머신러닝(machine learning) 방식은 데이터 수집, 모델 훈련, 추론(inference)을 한곳에서 처리하며 확장성(scalability)과 프라이버시(privacy) 문제에 직면했습니다. 이러한 한계를 극복하기 위해 최근에는 개별 에이전트(agent)들이 각자 학습하고 제한적으로 협력하는 연합 학습(federated learning) 및 분산 학습(decentralized learning) 등 협력 학습(collaborative learning) 접근 방식이 주목받고 있습니다.
대부분의 협력 학습 연구는 이미지나 텍스트처럼 규칙적인 격자 구조를 가진 유클리드(Euclidean) 데이터에 초점을 맞춰왔습니다. 그러나 실제 세계의 많은 애플리케이션은 사람 관계, 소셜 네트워크, 분자 구조와 같이 노드(node) 간의 관계형 패턴을 그래프(graph) 형태로 표현할 때 더 효과적입니다. 이러한 그래프 데이터는 노드 간의 메시지 전달(message-passing) 메커니즘을 통해 정보를 전파하므로, 에이전트 간 정보 교환이 필요한 협력 학습 환경에 개념적으로 잘 부합합니다. 하지만 그래프 구조 데이터에서의 협력 학습 기회와 도전 과제는 아직 충분히 탐구되지 않은 영역이었습니다.
최근 Rémi Bourgerie 외 연구진이 발표한 논문은 유클리드 데이터부터 그래프 구조 데이터까지 협력 학습의 전반적인 측면을 종합적으로 조사하며 이 신흥 분야를 체계화합니다. 연구는 학습 효과성, 효율성, 프라이버시 보호라는 세 가지 핵심 차원을 중심으로 유클리드 데이터의 기본 원리를 검토한 후, 그래프 구조 데이터로 논의를 확장합니다. 특히 그래프 분산 시나리오의 분류 체계를 제시하고, 관련 통계적 이질성(statistical heterogeneity)을 특성화하며, 표준화된 문제 공식화와 알고리즘 프레임워크를 개발했습니다. 이 연구는 협력 학습 분야의 미개척 영역이었던 그래프 데이터 활용 가능성을 조명하고, 향후 연구 방향을 제시함으로써 분산 환경에서의 데이터 활용 잠재력을 극대화할 중요한 기반을 마련했습니다.