본 논문은 연합 학습(FL) 기반 시계열 예측(TSF)에서의 프라이버시 위험, 특히 기울기 역전 공격(GIA)에 대한 취약성을 다룹니다. 기존의 GIA 연구가 주로 이미지 분류에 집중된 것과 달리, 본 논문은 시계열 회귀 작업에 대한 GIA의 효과를 4가지 TSF 모델과 4가지 데이터셋을 이용하여 광범위하게 실험적으로 분석합니다. 시계열 데이터의 관측값과 목표값 재구성의 어려움을 밝히고, 이를 개선하기 위해 새로운 GIA 방법인 TS-Inverse를 제안합니다. TS-Inverse는 분위수 예측을 출력하는 모델, 주기성과 추세를 고려하는 손실 함수, 분위수 예측에 따른 정규화를 통해 기존 GIA보다 성능을 크게 향상시킵니다. 실험 결과, TS-Inverse는 기존 방법 대비 sMAPE 지표에서 최소 2배에서 최대 10배의 성능 향상을 보였습니다. 코드는 Github에 공개되어 있습니다.
