본 논문은 금융 및 의료와 같은 규제 분야에서 개인정보 보호 머신러닝을 가능하게 하는 중요한 패러다임으로 떠오른 연합 학습(Federated Learning, FL)의 한계점을 해결하기 위해 차등적 개인정보 보호 강화 연합 학습(Differentially Private Resilient Temporal Federated Learning, DP-RTFL) 프레임워크를 제시한다. 기존 FL 전략은 고장 허용, 동시 클라이언트 및 서버 장애에 대한 시스템 복원력, 민감한 데이터 처리에 필수적인 강력하고 검증 가능한 개인정보 보호 보장 제공과 관련된 상당한 운영상의 과제에 직면한다. DP-RTFL은 클라이언트 수준에서 지역적 차등적 개인정보 보호(LDP)를 탄력적인 시간적 상태 관리 및 해시 기반 커밋(Zero-Knowledge Integrity Proofs, ZKIPs)과 같은 무결성 검증 메커니즘과 통합하여 학습 연속성, 정확한 상태 복구 및 강력한 데이터 개인정보 보호를 보장한다. 특히 민감한 금융 데이터를 사용하는 신용 위험 평가와 같은 중요한 애플리케이션에 적합하며, 운영상의 강력함, 감사 가능성 및 엔터프라이즈 AI 배포를 위한 확장성을 목표로 한다. DP-RTFL 프레임워크의 구현은 오픈소스로 제공된다.
