본 논문은 연합 학습에서 데이터 삭제를 가능하게 하는 연합 언러닝의 새로운 프라이버시 문제점을 제기한다. 연합 언러닝 과정에서의 기울기 교환을 통해 삭제된 데이터의 민감한 정보가 유출될 수 있다는 점을 지적하며, 이를 악용하여 삭제된 데이터를 재구성하는 새로운 공격 기법 DRAGD를 제시한다. DRAGD의 성능을 향상시킨 DRAGDP는 공개적으로 이용 가능한 사전 데이터를 활용하여, 특히 얼굴 이미지와 같은 복잡한 데이터셋에 대한 재구성 정확도를 높인다. 다양한 데이터셋에 대한 실험을 통해 DRAGD와 DRAGDP가 기존 방법보다 데이터 재구성 성능이 훨씬 뛰어남을 보여준다. 본 연구는 연합 언러닝의 심각한 프라이버시 취약성을 강조하고, 실제 응용 프로그램에서 연합 언러닝 시스템의 보안을 향상시키는 실용적인 해결책을 제공한다.
