본 논문은 분산 머신러닝에서 데이터 공유 없이 협업적인 모델 훈련을 가능하게 하는 연합 학습(Federated Learning, FL)의 데이터 프라이버시 문제에 대한 해결책으로 제시되었으나, 악성 노드의 손상된 모델 업데이트로 인한 비잔틴 공격에 취약하다는 점을 지적한다. 기존의 비잔틴 복원 연산자의 고차원 매개변수 공간에서의 효율성 저하 문제를 해결하기 위해, 계층별 코사인 집계(Layerwise Cosine Aggregation)라는 새로운 집계 방식을 제안한다. 이 방식은 이론적 분석과 다양한 이미지 분류 데이터셋 및 비잔틴 공격 시나리오에 대한 실험적 평가를 통해 기존의 강건한 집계 연산자보다 우수한 강건성과 최대 16% 향상된 모델 정확도를 달성함을 보여준다.
