본 논문은 연합 학습(FL)에서 데이터 및 모델 포이즈닝과 같은 비잔틴 행위로부터의 강건성을 높이는 새로운 방어 프레임워크를 제시한다. 기존 방어 기법들은 클라이언트의 이질성이 증가함에 따라 오차 하한이 커지는 강건한 집계 규칙이나 휴리스틱에 의존하거나 검증을 위해 신뢰할 수 있는 외부 데이터셋이 필요하다는 한계를 지닌다. 본 논문에서는 서버에서 조건부 생성적 적대 신경망(cGAN)을 활용하여 클라이언트 업데이트를 검증하기 위한 대표 데이터를 합성하는 방어 프레임워크를 제안한다. 이 접근 방식은 외부 데이터셋에 대한 의존성을 제거하고 다양한 공격 전략에 적응하며 표준 FL 워크플로우에 원활하게 통합된다. 벤치마크 데이터셋에 대한 광범위한 실험을 통해 제안된 프레임워크가 전반적인 모델 정확도를 유지하면서 악성 클라이언트와 양성 클라이언트를 정확하게 구분한다는 것을 보여준다. 비잔틴 강건성 외에도 합성 데이터의 대표성, cGAN 학습의 계산 비용, 접근 방식의 투명성 및 확장성을 조사한다.
