IntraShuffler: A Privacy Preserving Framework for Heterogeneous DP Federated Learning

연합 학습(FL)에서의 이질적 차등 프라이버시(HDP)는 클라이언트가 기관 정책과 데이터 민감도에 따라 개별 프라이버시 예산(ε, 프라이버시 예산)을 선택할 수 있게 한다.

이질적 차등 프라이버시 연합학습은 참여자마다 다른 프라이버시 예산을 허용하지만, 예산을 반영한 서버 집계와 서로 다른 데이터 분포가 기울기에 지속적인 흔적을 남긴다. 저자들은 정직하지만 호기심 많은 서버가 이 흔적으로 참여자의 분포 속성을 알아내고 여러 학습 회차의 업데이트를 같은 참여자와 연결할 수 있음을 보였다. IntraShuffler는 비슷한 프라이버시 예산의 참여자를 묶고 각 묶음 안에서 파라미터 수준으로 업데이트를 섞어, 예산별 가중 집계는 유지하면서 흔적을 흐린다. 네 데이터셋에서 기울기 복원 가능성을 60% 넘게 줄이고 대리 추론 정확도를 0.78에서 0.33으로 낮추면서 모델 성능은 비슷하게 유지했다. 다만 참여자가 적거나 예산이 모두 달라 묶음마다 한 명만 남으면 섞기의 익명화 효과가 사라진다.

핵심 요약

• 연합 학습(FL)에서의 이질적 차등 프라이버시(HDP)는 클라이언트가 개별 프라이버시 예산을 선택할 수 있게 하며, 이 예산을 인식하는 집계를 수행한다.
• 네 가지 서로 다른 데이터셋에 걸친 실험은 IntraShuffler가 기울기 복원 가능성을 60% 이상 줄이고 대리 추론 정확도를 0.78에서 0.33으로 낮추면서도, 여러 FL 집계 규칙 전반에서 비슷한 수준의 모델 유용성을 유지함을 보여준다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.