본 논문은 기존의 연합 학습이 데이터 프라이버시 보호에 초점을 맞춘 반면, 대규모 언어 모델(LLM)의 등장으로 인해 지적 재산(IP) 보호의 중요성이 더욱 커졌다는 점을 지적합니다. 따라서 민감한 데이터와 독점 모델 모두를 보호할 수 있는 새로운 연합 학습 접근 방식이 필요합니다. 이에 본 논문에서는 FedQSN이라는 새로운 연합 학습 방법을 제안합니다. FedQSN은 모델 파라미터의 일부를 무작위 마스킹으로 숨기고 나머지 파라미터는 양자화하여 서버가 클라이언트에게 전송하는 모델이 프라이버시가 보호된 프록시가 되도록 합니다. 다양한 모델과 작업에 대한 실험 결과, FedQSN은 기존 방법에 비해 모델 파라미터 보호를 강화하면서 연합 학습 환경에서 강력한 모델 성능을 유지함을 보여줍니다.
