본 논문은 연합 학습(Federated Learning, FL)에서 비잔틴 공격(Byzantine attacks)에 대한 강건성을 높이는 새로운 알고리즘을 제안합니다. 기존 연합 학습에서는 개별 클라이언트의 데이터가 공유되지 않지만, 악의적인 클라이언트(Byzantine clients)의 공격에 취약합니다. 본 논문에서는 신뢰할 수 있는 서버와 하나의 신뢰할 수 있는 클라이언트만 존재한다는 가정하에, 서버가 보유한 신뢰할 수 있는 데이터셋을 활용하여 악의적인 클라이언트의 공격에도 강건한 연합 학습 알고리즘을 제시합니다. 이 알고리즘은 악의적인 클라이언트의 수를 미리 알 필요 없이 작동하며, 이론적 분석과 실험 결과를 통해 기존의 강건한 연합 학습 알고리즘들(Mean, Trimmed Mean, Median, Krum, Multi-Krum)보다 우수한 성능을 보임을 보여줍니다. MNIST, FMNIST, CIFAR-10 데이터셋을 사용한 실험에서 레이블 뒤집기, 부호 뒤집기, 가우시안 노이즈 추가 등 다양한 공격 전략에 대해 효과적으로 방어하는 모습을 보였습니다.
