본 논문은 개인 데이터를 활용하여 대규모 언어 모델(LLM)의 성능을 향상시키는 연합 학습 프레임워크인 FL-LLaMA를 제시한다. 기존의 변환기 기반 분할 학습 모델의 보안, 효율성, 적응성 문제(개인 데이터 역공학 가능성, 순차적 학습 및 추론으로 인한 높은 통신 오버헤드, 고정된 분할 지점)를 해결하기 위해, FL-LLaMA는 LLaMA2 기반으로 다음과 같은 세 가지 전략을 제시한다: 1) 입력 및 출력 블록을 클라이언트에 배치하고 순전파 은닉 상태에 가우시안 노이즈를 주입하여 안전한 엔드-투-엔드 전파를 보장, 2) 클라이언트 배치 및 서버 계층 전략을 통해 병렬 학습을 달성하고, 어텐션 마스크 압축 및 KV 캐시 메커니즘을 사용하여 추론 속도를 높임, 3) 사용자가 특정 작업 요구 사항과 하드웨어 제약 조건에 따라 입력/출력 블록의 분할 지점을 동적으로 조정할 수 있도록 함. 실험 결과, FL-LLaMA는 중앙 집중식 LLaMA2와 비슷한 성능을 유지하면서 최대 2배의 학습 속도 향상과 8배의 추론 속도 향상을 달성했다. 또한, 개인 정보 보호 공격 및 다양한 분할 지점에 대한 분석을 통해 FL-LLaMA의 보안성과 적응성을 입증했다.