토스의 AI 기술력, 세계 최고 권위 NeurIPS 2025에서 인정받다: FedLPA 연구

국가별 데이터 규제로 원본 데이터를 한곳에 모으기 어렵고, 클라이언트마다 데이터 분포가 다르며 라벨도 부족한 현실에서 기존 연합학습은 새로운 범주를 발견하고 불균형에 대응하는 데 한계가 있었다. 토스 Face Modeling Team은 서울대 Computer Vision Lab과 함께 그래프 기반 구조 발견, InfoMap 클러스터링, Local Prior Alignment를 결합한 연합학습 알고리즘 FedLPA를 개발했다. FedLPA는 클라이언트가 로컬 데이터의 범주와 분포를 파악해 학습에 반영하며, 연구는 NeurIPS 2025에 게재됐다. 글은 이 접근이 얼굴 인식뿐 아니라 글로벌 금융 서비스의 이상거래 탐지와 신용평가에도 활용될 가능성을 제시하며, 실제 비즈니스 문제와 학술 연구를 연결하는 중요성을 강조한다.

• 연합학습은 원본 데이터를 중앙 서버로 옮기지 않고도 여러 지역의 데이터를 활용할 수 있어 데이터 주권과 개인정보 보호에 대응한다.
• Non-IID 환경에서는 클라이언트별 데이터 분포 차이를 고려해야 하며, 하나의 전역 기준만 적용하면 성능이 떨어질 수 있다.
• 높은 신뢰도의 예측을 그래프 구성에 활용하면 라벨이 부족한 데이터의 구조를 더 정교하게 파악할 수 있다.
• InfoMap 같은 커뮤니티 탐지 기법은 새로운 범주의 수를 미리 지정하지 않고 데이터의 군집을 찾는 데 활용할 수 있다.
• 모델의 예측 분포를 실제 로컬 데이터의 사전 분포에 맞추면 불균형 데이터로 인한 학습 편향을 완화할 수 있다.