본 논문은 분산된 클라이언트에서 원시 데이터를 공유하지 않고 협업 모델 학습을 가능하게 하는 연합 학습(FL)의 강건성을 향상시키는 방안을 제시합니다. 기존 방어 기법들은 클라이언트의 이질성이 커짐에 따라 오류 하한이 증가하는 강건한 집계 규칙이나 휴리스틱에 의존하거나 검증을 위해 신뢰할 수 있는 외부 데이터셋을 필요로 하는 검출 기반 방법 등의 근본적인 한계를 가지고 있습니다. 본 논문에서는 서버에서 조건부 생성적 적대 신경망(cGAN)을 활용하여 클라이언트 업데이트를 검증하기 위한 대표 데이터를 합성하는 방어 프레임워크를 제시합니다. 이 방법은 외부 데이터셋에 대한 의존성을 제거하고, 다양한 공격 전략에 적응하며, 표준 FL 워크플로우에 원활하게 통합됩니다. 벤치마크 데이터셋에 대한 광범위한 실험을 통해 제시된 프레임워크가 악의적인 클라이언트와 양성 클라이언트를 정확하게 구분하면서 전반적인 모델 정확도를 유지함을 보여줍니다. 비잔틴 강건성 외에도 합성 데이터의 대표성, cGAN 훈련의 계산 비용, 접근 방식의 투명성 및 확장성을 조사합니다.
