이상 고객 데이터에 강건한 냉장고 온도 예측용 데이터 수준 연합학습 기법

2.1 데이터 수집 및 전처리

본 연구에서는 제안한 DrFL 방법론의 성능을 평가하기 위해 실제 삼성전자 냉장고 제품에서 수집된 센서 데이터를 활용하였다. 해당 데이터는 삼성전자 실험실 환경과 국내 1,011개 가정에서 사용 중인 냉장고로부터 수집되었으며, 28개의 시계열 센서 데이터 변수로 구성된다. 전체 데이터 중 978대의 냉장고는 정상적으로 동작한 제품이며, 나머지 33대는 비정상적인 온도 패턴을 보이는 이상 제품으로 분류된다. 이와 같이 실제 운용 환경에서 발생한 이상 제품 데이터를 활용함으로써, DrFL이 데이터 수준에서 나타나는 구조적 이상 시계열 패턴을 얼마나 효과적으로 탐지할 수 있는지 평가하고자 하였다. 또한, 이러한 이상 고객 데이터를 글로벌 모델 학습 과정에서 적절히 배제함으로써, 전체 연합학습 모델 성능을 안정적으로 유지할 수 있는지를 검증하였다.

본 연구의 온도 예측 모델은 과거 M분 동안 1분 간격으로 수집된 28개의 시계열 데이터를 입력으로 사용하여, N분 후의 냉장실·냉동실․변온실 내부 온도를 예측하는 것을 목표로 한다. 이를 위해 수집된 전체 시계열 데이터셋에 대해 슬라이딩 윈도잉(sliding window) 절차를 적용하여 입력-출력 쌍을 생성하였다. 구체적으로, 길이 M의 입력 윈도우를 1분 단위로 이동시키면서, 각 윈도우에 대응하는 미래 N분 후의 온도를 예측 타겟(target) 값으로 구성하였다. 이러한 전처리 과정은 모델이 단기적인 온도 변화 패턴을 효과적으로 학습하도록 지원한다. 이때, 냉장고 센서 데이터는 고객별 사용환경 및 센서 특성에 따라 값의 절대 크기나 변동 폭이 다르다. 이러한 비정규화된 시계열 데이터를 그대로 모델이 학습할 경우, 스케일이 큰 변수 또는 특정 고객의 온도 구간이 모델 학습에 과도하게 영향을 미칠 수 있다. 이를 방지하기 위해 본 연구에서는 고객별 표준화(customer-wise standardization)를 적용하였다. 즉, 각 고객 단위로 시계열 데이터의 평균을 0, 표준편차를 1로 정규화함으로써, 모든 입력 변수가 유사한 스케일에서 학습되도록 하였다.

2.2 이상 고객 데이터에 강건한 연합학습 방법 기반 온도 예측 모델 학습

본 연구는 냉장고 시계열 센서 데이터로부터 유의미한 특징을 추출하여 N분 후 미래 온도를 예측하기 위해 일반적인 1차원 합성곱 신경망(one-dimensional convolutional neural network, 1D-CNN) 구조를 기반으로 모델을 설계하였다. 설계된 모델은 특징 추출기(feature extractor) f_θ와 예측기(regressor) g_θ로 구성되며, 전체 모델의 연산 구조는 <Table 1>에 정리 되어 있다. 이때, θ는 설계된 전체 모델의 파라미터를 의미한다. 입력 데이터 x는 7x28 크기의 다차원 시계열 센서 데이터이며, 출력 데이터 $$ \widehat{y}$$는 입력 데이터로부터 예측된 N분 후의 냉장고, 냉동고, 변온실 온도를 의미하며, 3차원 실수 벡터이다.

Table 1.

Architecture Details of Refrigerator Temperature Prediction Model

본 연구의 온도 예측 모델 학습 절차는 사전학습용 데이터와 실제 고객별 로컬 데이터로 구분되는 두 종류의 데이터셋을 기반으로 한다. 먼저, 중앙 서버는 실험실 환경과 소수의 정상 고객으로부터 수집된 trusted dataset을 이용하여 모델을 사전학습(pre-training)한다. 이 데이터셋은 냉장고의 정상 동작 상태를 대표하며, 사전학습을 통해 모델이 기본적인 열역학적 동작 패턴을 학습하도록 한다. 이를 통해 고객 간 데이터 분포 차이로 인해 초기 학습이 불안정해지는 문제를 완화할 수 있다. 사전학습은 다음 최적화 문제를 통해 수행된다:

사전학습에 사용되는 trusted dataset은 D_lab = {(x^(l), y^(l)) | l = 1,2,...,L} 으로 정의된다. 여기서 x^(l)∈R^7×28은 실험실 및 소수의 정상 고객 사용 환경에서 수집된 시계열 입력 데이터이며, y^(l)∈R³는 N분 후 온도를 나타내는 출력 데이터이다. 또한 L은 trusted dataset의 데이터 개수를 의미한다. 식 (1)에서 θ는 전체 모델의 학습 파라미터를 나타내며, f_θ와, g_θ는 각각 모델의 특징 추출기와 예측기를 의미한다. 본 연구에서는 확률적 미니 배치 경사 하강법(stochastic mini-batch gradient descent, SGD)을 이용하여 최적화를 진행하였다.

사전학습이 완료된 초기 모델 파라미터 θ⁽⁰⁾는 모든 고객에게 배포되며, 이를 기반으로 본격적인 연합학습이 시작된다. 이후 각 연합학습 라운드에서 서버는 전체 고객 중 일부를 무작위로 선택하여 학습에 참여시키며, 선택된 고객 i∈C^(t)⊆{1,...,N}은 서버로부터 전달 받은 글로벌 모델을 초기값으로 하여 자신의 로컬 데이터셋을 이용해 독립적인 학습을 수행한다. 이러한 로컬 학습은 다음과 같이 정의된다:

고객 i가 학습하는 로컬 데이터셋은 D_i = {($$ x_i^{\left(k\right)},y_i^{\left(k\right)}$$) | k = 1,...,n_i}으로 정의된다. 여기서 $$ x_i^{\left(k\right)}$$∈R^7×28는 고객 i로부터 수집된 입력 시계열 데이터이며, $$ y_i^{\left(k\right)}$$∈R³는 해당 시점으로부터 N분 후 미래 온도값을 나타낸다, 또한 n_i는 고객 i의 데이터 개수를 의미한다. 식 (2)에서 $$ {\theta }_i^{\left(t\right)}$$는 고객 i가 연합학습 라운드 t에서 중앙 서버로 전송하는 모델 파라미터를 의미하며 f_θ와, g_θ는 각각 입력 시계열 데이터로부터 잠재 표현을 추출하는 특징 추출 함수와 미래 온도를 예측하는 회귀 함수를 의미한다. 그러나 연합학습에 참여 고객들 중 일부는 이상 데이터로 인해 정상적이지 않은 시계열 데이터 패턴을 학습할 수 있으며, 이러한 왜곡된 로컬 모델 업데이트가 집계 과정에 포함될 경우 글로벌 모델의 품질이 크게 저하될 수 있다.

이에 따라 본 연구에서는 로컬 모델의 파라미터를 중앙 서버에서 집계하기 전에 고객 데이터의 품질을 평가하는 data-level의 이상 탐지 절차를 도입하였다. 이를 위해 중앙 서버는 서버 자체가 사전에 확보한 trusted dataset, D_lab을 활용하여 autoencoder를 사전 학습한다. Autoencoder는 인코더(encoder) h_ϕ와 디코더(decoder) d_ϕ로 구성되며, ϕ는 학습에 의해 결정되는 모델 파라미터이다. Autoencoder의 자세한 모델 구조는 <Table 2>와 같다. Autoencoder는 입력 시계열 x^(l)에 대한 복원값 $$ {\tilde{x}}^{\left(l\right)}=d_{\varphi }\left(h_{\varphi }\left(x^{\left(l\right)}\right)\right)$$을 기반으로 복원 오차를 최소화하도록 학습되며, 최적화 과정은 다음과 같이 정의된다:

Table 2.

Architecture Details of Autoencoder Model

여기서 ϕ은 autoencoder의 전체 파라미터, h_ϕ와 d_ϕ는 각각 autoencoder의 인코더와 디코더, L은 trusted dataset의 데이터 개수를 의미한다. 본 연구에서는 이 최적화 과정 또한 SGD 기법을 이용하여 수행하였다. Trusted dataset은 이상 패턴이 포함되지 않은 정상 데이터로 구성되어 있으므로, autoencoder는 정상적인 냉장고 시계열 패턴의 구조적 특성을 효과적으로 학습하게 된다. 이로 인해 autoencoder는 연합학습 과정에서 고객 데이터가 정상 분포에서 얼마나 벗어나는지를 평가하는 신뢰도 높은 기준 모델로 기능하다. Autoencoder가 사전 학습된 이후, 중앙 서버는 참여 고객 i∈C^(t)의 로컬 데이터에 대해 복원 오차를 계산함으로써 데이터 품질을 평가한다. 고객 i의 anomaly score는 다음과 같이 정의된다:

여기서 h_ϕ와 d_ϕ는 각각 autoencoder의 인코더와 디코더, n_i는 고객 i의 데이터 개수를 의미한다. 중앙 서버는 계산된 anomaly score를 사전에 설정된 분위수 기반 임계값 τ와 비교하여 정상 고객 집합 N^(t) = {i∈C^(t)|r_i≤τ}을 결정한다. 이후 서버는 정상 고객들로부터 전달된 로컬 모델 파라미터만을 활용하여 새로운 글로벌 모델을 갱신한다. 고객별 데이터 크기에 비례한 가중치를 적용하여 다음과 같이 새로운 글로벌 모델 $$ {\theta }_i^{(t+1)}$$을 계산한다:

업데이트된 글로벌 모델 파라미터 θ^(t+1)는 다시 모든 고객에게 전달되며, 동일한 절차가 반복됨에 따라 모델은 점진적으로 수렴하고 성능이 안정적으로 향상된다. 이와 같이 제안된 DrFL은 부분 고객 샘플링, 로컬 학습, 데이터 수준 이상 탐지, 정상 고객 기반 글로벌 집계로 구성된 순환 구조를 가지며, 전체 알고리즘은 Algorithm 1에 요약되어 있다. 이러한 설계는 실제 냉장고 사용 환경에서 발생하는 센서 오류와 데이터 분포 이질성에 효과적으로 대응할 수 있으며, 결과적으로 높은 품질의 글로벌 온도 예측 모델을 구축하는 데 기여한다.

3.1 실험 셋팅

본 연구는 제안 방법론인 DrFL의 성능 검증을 위해 사전학습용 데이터, 연합학습 참여 고객 데이터, 신규 고객 평가용 데이터셋을 사용하였다. 사전학습용 데이터는 trusted dataset을 의미하며, 실험실 환경에서 수집한 데이터와 실제 정상 고객 32명이 사용한 데이터로 구성된다. 연합학습 참여 고객 데이터는 정상 냉장고 846대와 이상 냉장고 33대를 포함한 총 879대로 구성되며, 각 고객의 로컬 모델 학습에 활용된다. 다만, 실제 이상 냉장고 33대만으로는 현실 세계의 다양한 이상 상황을 반영하기 어렵다고 판단하여, 삼성전자 실무진의 자문을 통해 실제 냉장고 센서의 이상 패턴을 파악하고, 연합학습 참여 879대 중 20%를 무작위로 선택하여 특정 센서 값에 이상 패턴을 인위적으로 주입하였다. 구체적으로, 이상 패턴은 센서 통신 단절로 인해 같은 값이 계속 반복되는 경우와 일시적으로 센서 값이 기록되지 않는 경우 두 가지 유형으로 구성되며, 각각 50% 확률로 2~3 타임스텝(timestep) 구간에 무작위로 주입하였다. 연합학습 참여 고객 데이터는 각 고객 별로 전체 데이터의 20%를 평가용으로 분리한 후, 나머지 80% 중 20%를 검증용, 나머지를 모두 학습용으로 사용하였다 단, 실제 이상 냉장고 33대의 데이터와 이상 패턴이 주입된 시뮬레이션 이상데이터의 경우 학습용으로만 활용하였다. 신규 고객 평가용 데이터는 연합학습에 참여하지 않는 냉장고 100대로 구성되며, 모델의 일반화 성능을 평가하는 데 사용하였다. 해당 데이터는 모델 학습 과정에 포함되지 않으므로, 별도의 분할 없이 모두 평가용으로만 활용하였다.

이와 같은 데이터 구성 및 분할을 바탕으로, 본 연구는 두 가지 평가 시나리오를 설정하였다. 첫 번째는 연합학습 참여 고객 평가 시나리오로, 제안 방법론이 연합학습 과정에 직접적으로 참여한 고객들의 냉장고 온도 예측 성능을 효과적으로 향상시킬 수 있는지를 검증한다. 두 번째는 신규 고객 평가 시나리오로 실제 서비스 환경에서 신규 고객이 추가되었을 때, 별도의 추가 학습 없이도 학습된 글로벌 모델을 즉시 적용할 수 있는지를 확인하기 위함이다. 각 평가 시나리오에서는 사전학습 단계에서 얻어진 초기 모델 g_θ⁽⁰⁾ ◦ f_θ⁽⁰⁾, 제안 방법론으로 얻어진 모델 g_θ^(T+1) ◦ f_θ^(T+1), 그리고 대표적인 연합학습 기법 FedAvg(McMahan et al., 2023), 고객 데이터간 이질성을 완화한 FedProx(Li et al., 2020), 강건 연합학습 기법인 FLTrust(Cao et al., 2021) 및 FL-DIAC(Guo et al., 2023)을 적용하여 학습된 모델들의 예측 성능을 비교 분석하였다. 이때 공정한 비교를 위해 모든 연합학습 방법론들은 <Table 1>에서 제시된 1D-CNN 기반 온도 예측 모델을 공통적으로 사용하였다. 본 연구에서 예측 대상으로 설정한 온도 변수는 냉동실 온도(freezer temperature), 냉장실 온도(refrigerator temperature), 변온실 온도(convertible compartment temperature)이며, Y1, Y2, Y3로 표기하였다. 2.1절에서 언급한 입력 윈도우 길이 M과 예측 시점 N은 각각 7분, 5분으로 설정하였으며, 이는 냉장고의 압축기가 구동되어 내부 온도를 낮추는 데까지 평균적으로 걸리는 시간을 반영한 것이다.

모델 예측 성능은 회귀 분석 기반 예측에서 널리 사용되는 평가지표들을 활용하였다. 첫 번째 평가지표는 결정계수(coefficient of determination, R²)로, 모델이 실제 온도 변동을 얼마나 잘 설명하는지를 나타내며, 모델의 전반적인 설명력을 평가하는 데 사용하였다. 두 번째 평가지표는 평균 절대 백분율 오차(mean absolute percentage error, MAPE)로, 예측값과 실제값의 차이를 실제값 대비 백분율로 나타낸 지표이다. 다만, 변온실 온도인 Y3의 경우 실제값이 0에 가까운 샘플이 다수 존재하여 MAPE 값이 과도하게 커지는 왜곡이 발생하므로, 해당 출력 변수에 대해서는 MAPE를 평가 지표에서 제외하였다. 세 번째 평가지표는 평균 제곱근 오차(root mean squared error, RMSE)로, 예측값과 실제값 차이의 제곱 평균에 제곱근을 취한 값이며, 오차를 제곱하여 계산하므로 큰 오차에 더 민감하게 커지는 특성이 있다. 본 연구에서 사용한 평가 지표 중 R²는 1에 가까울수록, MAPE와 RMSE는 값이 낮을수록 우수한 예측 성능을 나타낸다. 한편, 연합학습 환경에서는 각 고객이 보유한 데이터의 분포, 양, 품질이 서로 상이한 특성을 가지므로, 글로벌 모델의 평균적인 예측 성능만으로는 실제 서비스 품질을 충분히 평가하기 어렵다. 평균 성능이 우수하더라도, 특정 고객에 대해서는 예측 성능이 크게 저하될 수 있기 때문이다. 이에 본 연구에서는 고객별 예측 성능의 표준편차(standard deviation across customers)를 추가적인 평가지표로 활용하였다. 이는 연합학습에 참여한 각 고객의 R², MAPE, RMSE 값을 기준으로 계산되며, 값이 낮을수록 글로벌 모델이 고객 간 데이터 이질성에도 불구하고 안정적인 예측 결과를 제공함을 의미한다. 실험에 사용한 구체적인 하이퍼파라미터 값들은 <Table 3>에 정리되어 있으며, 모든 실험은 5회 반복 수행하였고, 그 평균값을 최종 성능 지표로 제시하였다.

Table 3.

Hyperparameter Details Used in this Study

3.2 온도 예측 결과

<Table 4>는 이상 고객 데이터가 포함된 환경에서 연합학습에 참여한 고객을 대상으로 한 온도 예측 성능 결과를 보여준다. 실험 결과, DrFL은 모든 온도 변수에 대해 비교 방법론 대비 가장 우수한 예측 성능을 달성하였으며, 특히 냉장실 온도(Y2) 예측에서 그 효과가 가장 두드러졌다. 구체적으로, 기본 연합학습 알고리즘인 FedAvg와 FedProx의 R²가 약 0.95 수준에 머무른 반면, DrFL은 0.99를 기록하며 우수한 예측 성능 향상을 보였다. 동시에 오차 지표인 RMSE는 60% 이상 감소하였는데, 이는 DrFL이 단순한 평균적 경향성을 넘어 실제 온도 변동의 미세한 패턴까지 정밀하게 포착하고 있음을 의미한다. 이러한 성능 우위는 냉장실(Y1)과 변온실(Y3) 온도 변수에서도 일관되게 관찰되었으며, DrFL이 이상 고객 데이터에 포함된 왜곡된 시계열 패턴을 효과적으로 배제하고, 정상 데이터에 내재된 열역학적 특성을 글로벌 모델에 안정적으로 반영했음을 보여준다.

Table 4.

Performance comparison of temperature prediction models on participating customers in FL using , MAPE, and RMSE. The best performance among compared models is highlighted in bold. Values in parentheses represent the standard deviation across customers. CF denotes the convertible compartment.

기존 강건 연합학습 기법과의 비교에서도 DrFL의 우수성이 확인되며, 각 기법이 갖는 한계는 <Figure 1>에 제시된 이상치 점수 분포를 통해 직관적으로 파악할 수 있다. 먼저, FLTrust는 pretrain 모델에 비해 성능이 저하되는 결과를 보였는데, 이는 FLTrust의 이상 탐지 방식 고객 간 이질성이 큰 냉장고 사용 환경에서는 효과적으로 작동하지 못했음을 의미한다. FLTrust는 서버에 저장된 trusted dataset을 기준으로 서버 gradient를 계산하고, 각 고객의 로컬 업데이트가 해당 gradient와 유사한 방향을 가지는지를 기준으로 이상 여부를 판단한다. 그러나 고객 간 사용 행태가 다르고 데이터 분포 이질성이 큰 냉장고 데이터 환경에서는, 정상 고객이라 하더라도 서버 gradient와 다른 방향을 가질 수 있다. 이로 인해 FLTrust는 다수의 정상 고객을 이상 고객으로 오판하여 학습 과정에서 배제하게 되며, 결과적으로 글로벌 모델이 사전학습 성능을 넘어 서는 데 실패하게 된다. 이러한 현상은 <Figure 1(a)>에서 FLTrust의 정상 고객과 이상 고객의 이상치 점수 분포가 상당 부분 중첩되어 나타나는 것으로 확인할 수 있으며, FLTrust의 구조적 한계를 시각적으로 뒷받침한다.

Figure 1.

Anomaly Score Distributions of Robust FL Methods for Normal (blue) and Abnormal (red) Customers.

한편, autoencoder 기반 이상 탐지를 활용하는 FL-DIAC는 FedAvg와 거의 동일한 성능을 보이는 데 그쳤다. 이는 FL-DIAC가 모델 파라미터 수준에서 이상을 탐지하는 방식이기 때문에, 이상 고객 데이터에서 나타나는 미세한 시계열 패턴 변화를 직접적으로 반영하지 못하기 때문이다. 실제로 <Figure 1(b)>에서도 정상 고객과 이상 고객의 분포가 상당 부분 겹치는 양상을 보이며, 이로 인해 이상 고객이 정상으로 오판되어 글로벌 모델 집계 과정에 포함될 가능성이 있음을 확인 수 있다. 반면, 제안한 DrFL은 데이터 수준에서 직접적으로 이상을 감지하고 차단하는 방식을 활용함으로써, <Figure 1(c)>에서 나타난 바와 같이 정상 고객과 이상 고객을 높은 정확도로 구분한다. 이러한 정밀한 고객 필터링은 연합학습 집계 단계에서 왜곡된 업데이트의 영향을 효과적으로 차단하며, RMSE 기준 평균 70% 이상 예측 오차 감소라는 뚜렷한 성능 개선으로 이어졌다.

<Table 5>은 연합학습에 참여하지 않은 신규 고객을 대상으로 한 일반화 성능 평가 결과를 보여준다. 해당 시나리오에서도 DrFL은 전반적으로 우수한 성능을 유지하였으며, 이는 학습된 글로벌 모델이 실제 서비스 환경에 배포되었을 때도 안정적인 성능을 제공할 수 있음을 의미한다.

Table 5.

Performance Comparison of Temperature Prediction Models on Nonparticipating Customers in FL Using R2, MAPE, and RMSE. The best performance among compared models is highlighted in bold. Values in parentheses represent the standard deviation across customers. CF denotes the convertible compartment.

이러한 안정적인 성능은 DrFL이 이상 데이터에 편향되지 않고 다양한 고객 환경에서 공통적으로 적용되는 냉장고의 본질적인 온도 변화 메커니즘을 효과적으로 학습했음을 의미한다. 반면, 사전학습 단계에서만 학습된 초기 모델 g_θ⁽⁰⁾ ◦ f_θ⁽⁰⁾은 신규 고객 환경에서 현저한 성능 저하를 보였다. 특히 냉동실 온도(Y1)에 대해 R²가 음수인 -0.03을 기록하였고, 이는 제한된 실험실 환경에서 수집된 데이터만을 이용한 사전학습 모델만으로는 충분한 일반화 성능을 확보하기 어렵다는 점을 보여준다. FLTrust 또한 신규 고객 시나리오에서 저조한 성능을 보였는데, 이는 gradient 기반 비교 방식으로 인해 정상 고객을 과도하게 배제하여 연합학습 과정에서 글로벌 모델이 유의미하게 개선되지 못했기 때문이다. <Table 4>와 <Table 5>에서 모두 일관되게 우수한 성능을 갖는 방법론은 DrFL이 유일하였으며, 이러한 결과는 이상 고객 데이터가 존재하는 현실적인 환경에서 DrFL이 실제 서비스 적용에 가장 안정적인 연합학습 프레임워크임을 의미한다.

3.3 이상 고객 탐지 결과

본 절에서는 DrFL의 온도 예측 성능 개선의 핵심 요인인 이상 고객 탐지의 효과를 구체적으로 확인하고자 한다. 먼저 이상 고객 탐지 성능 평가를 위해서는 area under the receiver operating characteristic curve(AUROC)를 주요 지표로 사용하였으며, AUROC는 1에 가까울수록 정상 고객과 이상 고객을 안정적으로 구분할 수 있음을 의미한다(Hanley and McNeil, 1982). 먼저, FLTrust는 AUROC 0.705를 기록하였다. 이는 일정 수준의 구분 능력은 확보하고 있으나, 정상 고객과 이상 고객 간 경계가 충분히 명확하지 않음을 의미한다. 특히 gradient 기반 이상 탐지 방식은 고객 간 데이터 분포 이질성이 큰 냉장고 사용 환경에서 정상과 이상을 일관되게 구분하는 데 한계를 보인다. 한편, FL-DIAC는 AUROC 0.675로 세 기법 중 가장 낮은 값을 기록하였다. 이는 분류 임계값 전반에 걸쳐 정상 고객과 이상 고객을 구분하는 판별 능력이 부족함을 나타낸다. 이러한 결과는 모델 파라미터 수준에서의 복원 오차가 데이터 수준의 시계열 구조 붕괴를 충분히 반영하지 못하여, 이상 고객임에도 정상 고객과 유사한 패턴을 보이는 경우를 효과적으로 식별하지 못하기 때문으로 해석할 수 있다. 반면, 제안한 DrFL은 AUROC 0.999를 기록하며 거의 완벽에 가까운 판별 성능을 보였다. 이는 DrFL이 산출하는 이상치 점수가 특정 임계값 설정에 크게 의존하지 않으면서도, 정상 고객과 이상 고객을 매우 안정적으로 분리할 수 있음을 시사한다. 이러한 결과는 DrFL의 이상 고객 탐지 메커니즘이 데이터 분포 이질성과 시계열 구조 변화를 효과적으로 반영함으로써, 기존 방법 대비 현저히 향상된 판별 성능을 달성했음을 정량적으로 입증한다. 추가적으로, DrFL은 이상치 점수에서 상위 25%에 해당하는 고객을 이상 고객으로 분류하였으며, 이때 모델이 이상 고객으로 판별한 고객 중 실제 이상 고객 비율은 97.0%였고, 실제 이상 고객 중 99.8%을 정확히 탐지하였다. 이러한 결과는 DrFL이 이상 고객을 거의 놓치지 않으면서도 정확히 판별함을 정량적으로 입증한다.

이상 고객 탐지의 효과는 연합학습의 수렴 과정에도 직접적인 영향을 미친다. <Figure 2>는 세 가지 온도 변수 각각에 대한 R² 값을 연합학습 라운드에 따라 비교한 수렴 곡선을 보여준다. 이상 고객 탐지를 적용하지 않은 경우(w/o anomaly detection)와 DrFL의 데이터 수준 탐지를 적용한 경우(w/ anomaly detection)를 비교하였다. 세 가지 온도 변수 모두에서, 이상 고객 탐지를 적용한 경우가 적용하지 않은 경우에 비해 일관되게 높은 R² 값을 달성하며, 라운드가 진행될수록 두 조건 간의 성능 격차가 점진적으로 확대되는 공통적 경향이 관찰된다. 특히 냉장실 온도(Y1)의 경우, 초기 라운드에서 두 조건의 R² 값이 0.93으로 동일하나, 라운드 10 부근에서 약 0.98로 빠르게 수렴하는 반면, 미적용 시에는 0.93 부근에서 정체되며 오히려 라운드 후반부에서 성능이 소폭 하락하는 불안정한 양상을 보인다. 뚜렷한 성능 격차가 발생한다. 이러한 수렴 양상의 차이는 이상 고객 데이터가 글로벌 모델 집계 과정에 지속적으로 포함될 경우, 왜곡된 로컬 업데이트가 누적되어 모델의 수렴 속도와 최종 성능을 모두 저해할 뿐만 아니라, 학습 과정의 안정성 자체를 훼손함을 보여준다. 반면 제안한 DrFL의 이상 고객 필터링은 매 라운드마다 정상 고객의 업데이트만을 선별적으로 집계함으로써, 세 가지 온도 변수 모두에서 글로벌 모델이 빠르고 안정적으로 수렴할 수 있도록 지원한다.

Figure 2.

Convergence curves of the global model with and without anomaly detection over communication rounds. R² scores are reported for Y1 (freezer temperature), Y2 (refrigerator temperature), and Y3 (convertible compartment temperature). “w/ anomaly detection” denotes the proposed DrFL framework, while “w/o anomaly detection” denotes the same federated learning without anomaly detection.

나아가, <Figure 3>에서는 이상 고객 탐지가 개별 고객 수준의 예측 성능 분포에 미치는 영향을 보여준다. <Figure 3>은 연합학습 참여 고객들의 Y1, Y2, Y3 예측 성능을 이상 고객 탐지 적용 여부(w/o anomaly detection vs. w/ anomaly detection)에 따라 R² 지표로 비교한 시각화 결과이다. 세 가지 온도 변수 모두에서, 이상 고객 탐지를 적용한 경우 R²의 중앙값이 뚜렷하게 상승하고, 사분위 범위가 현저히 좁아지는 공통적 양상이 관찰된다. 이는 이상 고객 필터링을 통해 대다수 고객에서 안정적으로 높은 예측 성능이 달성됨을 의미한다. 특히 주목할 점은 이상치 변화인데, 이상 고객 탐지를 적용하지 않은 경우, 세 변수 모두에서 R²가 0.60~0.75 이하로 떨어지는 극단적 이상치가 관찰되며, 이는 이상 고객 데이터에 의해 글로벌 모델이 왜곡됨에 따라 일부 정상 고객에서도 예측 품질이 심각하게 저하될 수 있음을 보여준다. 반면, 이상 고객 탐지를 적용한 경우 이러한 극단적 이상치가 크게 줄어들고, 대부분의 고객이 0.90 이상의 높은 R²를 달성하는 것을 확인할 수 있다. 즉, 이상 고객 탐지 적용 시 고객 간 예측 성능 편차가 줄어드는 것이며, 이는 글로벌 모델이 특정 고객 환경에 편향되지 않고 다양한 사용 패턴에 대해 고르게 높은 성능을 제공함을 나타낸다. 이러한 고객 간 예측 성능 편차 개선은 실제 서비스 배포 시 모든 고객에게 균일한 품질의 온도 예측 서비스를 제공할 수 있다는 점에서 실용적으로도 중요한 의미를 가진다.

Figure 3.

Box plots for demonstrating client-wise R² distributions with and without anomaly detection for Y1 (freezer temperature), Y2 (refrigerator temperature), and Y3 (convertible compartment temperature).