Core Concepts
클라이언트 측 훈련 데이터 분포 추론 공격에 대한 효과적인 방어 메커니즘을 제안하고 실험적으로 입증함.
Abstract
페더레이티드 러닝(FL)은 클라이언트가 개인 데이터를 서버와 공유하지 않고 전역 머신러닝 모델을 협력적으로 훈련할 수 있는 분산 머신러닝 패러다임이다.
클라이언트 측 훈련 데이터 분포 추론 공격에 취약한 FL 시스템을 보호하기 위해 InferGuard라는 새로운 바이잔틴-로버스트 집계 규칙을 제안함.
InferGuard는 클라이언트 측 훈련 데이터 분포 추론 공격에 효과적으로 대응하며, 다양한 실제 FL 시나리오에서 기존 방어 메커니즘을 능가함.
실험 결과는 InferGuard가 클라이언트 측 추론 공격에 효과적이며, 기존 방어 메커니즘보다 우수하다는 것을 입증함.
Stats
클라이언트 측 훈련 데이터 분포 추론 공격에 대한 방어 효과를 입증하는 실험 결과가 있음.
우리의 방어 메커니즘이 다양한 실제 FL 시나리오에서 효과적임을 보여줌.
Quotes
"우리의 방어 메커니즘은 클라이언트 측 훈련 데이터 분포 추론 공격에 효과적으로 대응함."
"기존 바이잔틴-로버스트 집계 규칙은 추론 공격에 대응하는 데 일정한 보호 효과를 제공한다."