이종 클라이언트 양자화가 적용된 정보 이론적 안전 집계

요약

본 논문은 연합 학습(FL) 환경에서 이종 클라이언트 양자화 문제를 해결하는 정보 이론적 안전 집계 방식을 제안합니다. 기존 방식들이 가진 개인 정보 침해 위험을 개선하여, 클라이언트 드롭아웃 및 공모 상황에서도 모델 업데이트의 비밀성을 유지할 수 있습니다. 이를 위해 임계값 블랙박스 비밀 공유 구성과 이종 양자화 환경을 결합한 새로운 프로토콜을 제시했습니다.

핵심 포인트

• 안전 집계는 서버가 개별 클라이언트 정보를 노출하지 않게 합니다.
• 이종 대역폭 및 양자화 제약을 수용하는 것이 핵심 과제입니다.
• 기존 방식은 공모 패턴 하에서 개인 정보 침해 위험이 있었습니다.
• 새로운 프로토콜은 정보 이론적 안전성을 보장합니다.
• $(T+1, N)$ 임계값 비밀 공유를 활용하여 보안을 강화했습니다.