본 논문은 연합 학습(FL)에서 동형암호(HE)의 높은 오버헤드와 적응 비용 문제를 해결하기 위해 Sensitivity-guided selective Homomorphic EnCryption framework인 SenseCrypt를 제안합니다. SenseCrypt는 모델 파라미터의 민감도를 기반으로 클라이언트별로 암호화할 파라미터를 선택적으로 결정하여 보안과 오버헤드 간의 균형을 맞춥니다. 먼저, 데이터 분포가 유사한 클라이언트들을 클러스터링하고, 각 클러스터 내에서 암호화 가능한 파라미터 비율을 산정합니다. 마지막으로, 각 클라이언트에 대해 오버헤드를 최소화하고 보안을 극대화하는 다목적 모델 파라미터 선택 최적화 문제를 해결합니다. 실험 결과, SenseCrypt는 기존 HE 방법에 비해 훈련 시간을 58.4%-88.7% 단축하면서 동시에 최신 역공격에 대한 보안을 유지하고 IID 데이터와 유사한 모델 정확도를 달성함을 보여줍니다.
