오믹스 데이터의 개인 정보 보호를 위해 차등적 프라이버시(DP)를 적용한 연합 학습(FL)은 예측 정확도 저하 문제를 겪는다. 동형 암호(HE)는 잡음 주입 없이 연산을 가능하게 하여 정확도를 높일 수 있지만, 계산 비용이 증가한다. 본 논문은 HE를 도입한 개인 정보 보호 머신 러닝(PPML)-Hybrid 방법을 제안하여, 클라이언트의 계산 능력에 따라 HE 또는 DP를 선택적으로 사용하도록 한다. 이를 통해 HE 클라이언트는 잡음 없는 업데이트를 제공하고, DP 클라이언트는 계산 부하를 줄인다. 또한, 높은 계산 자원을 가진 클라이언트는 개인 정보 보호 요구 사항에 따라 HE 또는 DP를 유연하게 채택할 수 있다. 오믹스 데이터셋에 대한 실험 결과는 제안된 방법이 HE-only 방식에 비해 유사한 예측 정확도를 유지하면서 계산 시간을 크게 줄였으며, DP-only 방식보다 동등하거나 더 엄격한 프라이버시 예산 하에서 더 나은 성능을 보임을 보여준다.
