LivestockFL 연합 학습 기반 가축 성장 예측 프레임워크

1. 연구 배경 및 필요성 가축 성장 예측은 사료 관리, 출하 시점 결정, 경제성 분석 등 농장 운영 전반에 걸쳐 핵심적인 역할을 한다. 기존의 생물물리학적 모델은 도메인 지식을 반영하지만, 파라미터 추정이 복잡하고 현장 데이터의 품질·양에 크게 의존한다. 반면 머신러닝 기반 접근법은 데이터‑드리븐으로 유연성을 제공하지만, 대부분 소규모 단일 농장 데이터에 국한돼 일반화가 어려웠다. 또한, 농가 데이터는 영업 비밀에 해당해 중앙집중식 데이터 수집에 대한 저항이 크다. 이러한 문제를 해결하기 위해 연합 학습(Federated Learning, FL)이 제안되었으며, 본 연구는 이를 가축 성장 예측에 최초 적용한다. 2. 데이터 및 문제 정의 각 가축 i에 대해 시간 t(월 단위)마다 측정된 체중 x_{i,t}와 관측 여부를 나타내는 마스크 m_{i,t}가 존재한다. 정적 특성 c_i는 품종, 성별, 지역 등 K개의 범주형 변수로 구성된다. 목표는 과거 T_i 시점까지의 시계열과 정적 특성을 이용해 향후 H개월(예: 3개월) 동안의 체중 y_{i, h} (h=1…H)를 예측하는 것이다. 데이터는 농가별로 비동기·불규칙하게 기록되며, 일부 시점은 결측이 존재한다. 3. 모델 설계 - 정적 특성 임베딩: 각 범주형 변수 c_{i,l}를 d_e 차원의 임베딩 벡터 e(c)_{i,l} 로 변환하고, 이를 연결해 e(c)_i ∈ ℝ^{L·d_e} 를 만든다. - 시계열 임베딩: 입력 x_{i,t}를 선형 변환 W_n·x_{i,t}+b_n 로 e_{i,t} 로 변환하고, 마스크 m_{i,t}와 결합해 z_{i,t} =