PoCoFL: 정책 준수형 연합 학습 (Policy-Compliant Federated Learning)

연합 학습(Federated Learning, FL)은 참가 클라이언트별로 훈련 데이터를 로컬에 유지하면서 협업적인 모델 훈련을 가능하게 하는 개인 정보 보호 지향의 학습 패러다임입니다. 하지만 이는 클라이언트가 정책을 준수하는 기여를 제출하거나 집계기(aggregators)가 승인된 기여를 올바르게 처리한다는 것을 보장하지는 않습니다. 기존의 검증 가능한 FL 시스템들은 특정 FL 설정, 학습 워크플로우 및 암호학적 구성에 맞게 검증 규칙을 조정하여, 네트워크 토폴로지, 참가자 역할, 집계 의미론 전반에 걸친 적용 가능성이 제한적입니다. 본 논문에서는 세 가지 측면(i) FL 유형, (ii) 정책 의미론, 그리고 (iii) 암호학적 구현을 분리하는 정책 준수형 연합 학습 프레임워크인 PoCoFL을 제시합니다. 우리는 클라이언트와 집계기의 요구 사항을 정책 의존적 관계로 포착하는 공식화를 제공합니다. 클라이언트는 커밋먼트(commitments)와 비상호작용 영지식 증명(non-interactive zero-knowledge proofs)을 사용하여 자신의 기여가 준수됨을 증명하고, 집계기는 기록된 승인된 기여 세트가 선택된 집계 정책에 따라 처리되었음을 증명합니다. 우리는 네 가지 공식적인 인스턴스화(instantiations)를 통해 PoCoFL을 시연합니다: (i) 일반형(vanilla), (ii) 지속형(continual), (iii) 개인화형(personalised), 그리고 (iv) 임계값 암호화 연합 학습(threshold-encrypted federated learning). 우리는 정책 강제가 일반형, 개인화형, 지속형 FL의 학습 목표에 미치는 영향을 평가합니다. 나아가 네 가지 인스턴스화 모두의 개념 증명 구현을 실행하여 PoCoFL의 다용성과 실질적인 타당성을 입증합니다. 전반적으로 이러한 결과들은 PoCoFL이 네트워크 토폴로지에 구애받지 않으면서 복잡한 정책 표현을 포착할 수 있음을 보여줍니다.