본 논문은 연합 학습(Federated Learning, FL)에서 발생하는 기울기 유출(gradient leakage) 문제에 대한 새로운 관점과 방어 기법을 제시합니다. 연합 학습은 개인 데이터를 지역에 유지하면서 모델 학습을 가능하게 하는 프라이버시 보호 머신러닝 기법이지만, 공유된 기울기에서 민감한 정보가 유출될 수 있다는 문제점이 있습니다. 이 논문에서는 기울기 유출 문제에 대한 이론적 분석을 바탕으로, 개인 키-잠금(key-lock) 모듈을 이용하여 임의의 모델 구조를 보호하는 새로운 방어 기법을 제안합니다. 이 기법은 잠금된 기울기만 파라미터 서버로 전송하여 기울기 유출 공격에 대한 저항성을 높입니다. 제안된 방법의 효과성을 이론적으로 증명하고, 다양한 모델과 벤치마크를 이용한 실험적 평가를 통해 모델 성능 유지 및 기울기 유출 공격 방어 성능을 검증합니다.