본 논문은 이종 환경의 연합 학습(Federated Learning, FL)에서 클라이언트 모델 통합 과정이 프라이버시 위험에 미치는 영향을 분석합니다. 클라이언트의 계산 능력 차이로 인해 서버 모델과 크기가 다른 모델을 학습하는 이종 FL 환경에서, 기존 연구들은 회원 추론 공격(Membership Inference Attack, MIA)에 취약함을 보였습니다. 본 논문에서는 이종 FL 방법들을 분류하는 새로운 분류 체계를 제안하고, 이를 바탕으로 7가지 새로운 클라이언트 모델 통합 전략을 설계합니다. CIFAR-10, CIFAR-100, FEMNIST 데이터셋을 사용하여 세 가지 유형의 MIA 하에서 각 전략의 프라이버시와 정확도 간의 상충 관계를 평가합니다. 실험 결과, 모델 통합 과정에 임의성을 도입하면 클라이언트의 프라이버시를 향상시키면서 클라이언트와 서버 모두 경쟁력 있는 정확도를 유지할 수 있음을 보여줍니다.
