본 논문은 연합 학습(FL)에서 기울기 유출 공격으로 인한 개인 정보 유출 위험을 해결하기 위해 경량 적응형 개인 정보 할당(LAPA) 전략을 제안합니다. LAPA는 장치별로 개인화된 개인 정보 예산을 할당하여 추가 정보 전송 없이 개인 정보 보호와 집계 효율을 모두 보장합니다. 심층 결정적 정책 경사(DDPG) 알고리즘을 사용하여 전송 전력을 최적화하여 적응적으로 감쇠된 인공 잡음이 통신 잡음과 일치하는 최적 시점을 결정함으로써 DP와 시스템 유틸리티 간의 균형을 효과적으로 유지합니다. 또한 통신 품질과 데이터 분포 특성을 통합한 신뢰할 수 있는 집계 전략을 설계하여 개인 정보를 보호하면서 집계 성능을 향상시킵니다. 실험 결과, 제안된 LAPA 기반의 개인화된 잡음 할당 및 동적 최적화 전략이 개인 정보 요구 사항을 충족하면서 수렴 성능을 향상시킨다는 것을 보여줍니다.
시사점, 한계점
•
시사점:
◦
연합 학습에서의 개인 정보 보호와 성능 간의 균형을 개선하는 새로운 LAPA 전략 제시.
◦
개인화된 개인 정보 예산 할당을 통해 비균일 데이터 분포 문제 해결.
◦
DDPG 알고리즘을 활용한 동적 잡음 최적화를 통해 효율적인 개인 정보 보호 및 성능 향상.
