FedML-HE: 효율적인 동형 암호 (Homomorphic Encryption) 기반 프라이버시 보호 연합 학습 (Federated

요약

FedML-HE는 동형 암호(Homomorphic Encryption)를 활용하여 프라이버시를 보호하는 효율적인 연합 학습(Federated Learning) 프레임워크를 제안합니다. 데이터 보안을 유지하면서도 연합 학습의 효율성을 높이는 데 중점을 둡니다.

핵심 포인트

• 동형 암호를 활용한 프라이버시 보호 기술 적용
• 연합 학습 환경에서의 데이터 보안 강화
• 효율적인 연합 학습 프레임워크 구현