연합 학습(FL)에서 모델 오염 방어를 위한 보안 신호로서의 압축 흔적
요약
본 연구는 연합 학습(FL)에서 모델 오염 방어를 위해 압축 흔적(compression footprint)을 새로운 보안 신호로 제안합니다. 이 개념은 손실 압축에 의해 발생하는 입력 의존적 왜곡과 페이로드 동작의 저차원 통계 집합입니다. 이를 활용한 CRAFT 방법론은 서버 측에서 강력하게 모델 업데이트를 집계하며, 클라이언트 메타데이터나 악성 참여자 수에 대한 사전 지식이 필요하지 않아 효율적입니다.
핵심 포인트
- 압축 흔적을 FL의 보안 신호로 활용하여 오염 방어 가능.
- CRAFT 방법론은 서버 측에서 강력한 집계를 수행함.
- 클라이언트 메타데이터나 악성 참여자 수에 대한 사전 지식이 필요 없음.
- EBLC 압축 흔적이 Top-K보다 더 강력한 분리 능력을 보임.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG (Machine Learning)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기0