본 논문은 연합 학습(Federated Learning, FL)에서 표적이 없는 공격(untargeted attacks)으로부터의 강건성을 높이는 새로운 집계 방법인 FedGraM을 제안합니다. 기존 방어 메커니즘의 한계점인 데이터 이질성 문제를 해결하기 위해, FedGraM은 일반화 성능을 측정하는 새로운 지표를 활용합니다. 제한된 데이터를 사용하여 클래스 간 임베딩의 분산 정도를 측정하고, Gram 행렬의 노름을 이용하여 악성 모델을 탐지하고 제거합니다. 서버는 클래스당 하나의 샘플을 포함하는 보조 데이터셋을 유지하며, 이를 이용하여 각 클라이언트 모델의 임베딩을 추출하고 노름을 계산합니다. 노름이 가장 큰 모델을 악성 모델로 판단하고 제거한 후, 나머지 모델을 평균하여 글로벌 모델을 생성합니다. 실험 결과, 제한된 데이터만으로도 기존 최첨단 방어 방법보다 우수한 성능을 보임을 확인했습니다.
