본 논문은 분산된 장치에서 원시 데이터 공유 없이 협업 모델 학습을 가능하게 하는 연합 학습(FL)의 모델 무결성을 손상시키는 독성 공격에 대한 취약성을 해결하는 새로운 방어 프레임워크를 제안합니다. 기존 방어는 외부 데이터셋이나 사전 정의된 휴리스틱(예: 악성 클라이언트 수)에 의존하여 효율성과 확장성이 제한적이었습니다. 이러한 한계를 해결하기 위해, 본 논문에서는 클라이언트 업데이트를 인증하기 위해 서버에서 조건부 생성적 적대 신경망(cGAN)을 활용하여 합성 데이터를 생성하는 프라이버시 보존 방어 프레임워크를 제시합니다. 이 프레임워크는 확장 가능하고 적응력이 뛰어나며 FL 워크플로우에 원활하게 통합됩니다. 벤치마크 데이터셋에 대한 광범위한 실험은 다양한 독성 공격에 대한 강력한 성능을 보여주며, 모델 정확도를 유지하면서 악성 및 양성 클라이언트에 대해 높은 진양성률(TPR)과 진음성률(TNR)을 달성합니다. 제안된 프레임워크는 연합 학습 시스템을 보호하기 위한 실용적이고 효과적인 솔루션을 제공합니다.
