본 논문은 대규모 데이터셋을 가장 잘 대표하는 작은 부분집합을 찾는 최적화 문제인 서브모듈러 최대화(Submodular maximization)를 다룹니다. 특히, 각 클라이언트가 자체적으로 데이터 품질을 정의하는 분산된 환경인 연합 학습(federated setting)에 초점을 맞춥니다. 이러한 환경은 클라이언트 간의 반복적인 정보 집계를 필요로 하며, 악의적인 클라이언트의 정보 조작에 취약합니다. 본 연구에서는 다양한 클라이언트 공격에 강건한 연합 서브모듈러 최대화 솔루션인 RobustFSM을 제안합니다. 실제 데이터셋을 사용한 실험을 통해 RobustFSM의 성능을 입증했으며, 공격이 심각한 상황에서 기존 연합 알고리즘보다 최대 200%까지 향상된 솔루션 품질을 보임을 확인했습니다.
