초록 ▼

□ 연구개요
• 개인 정보를 보호하는 연합 학습을 위해서는 각 단말이 제공하는 정보의 기밀성을 보장하면서 정보를 취합할 수 있는 보안 집계 (secure aggregation) 기술이 필수적임. 특히, 이기종 단말들로 구성되는 연합 학습 모델에서는 각 단말이 보유하고 있는 정보량과 학습 능력이 상이하고, 이로 인해 로컬 훈련 시간과 학습 결과의 정확도도 상이함. 따라서, 이기종 단말이 제공하는 지역학습 결과를 연합학습에 일률적으로 반영할 수 없고, 데이터 누락에 대한 정확한 판단을 제공하면서 효율적으로 정보를 취합할 수 있는

□ 연구개요
• 개인 정보를 보호하는 연합 학습을 위해서는 각 단말이 제공하는 정보의 기밀성을 보장하면서 정보를 취합할 수 있는 보안 집계 (secure aggregation) 기술이 필수적임. 특히, 이기종 단말들로 구성되는 연합 학습 모델에서는 각 단말이 보유하고 있는 정보량과 학습 능력이 상이하고, 이로 인해 로컬 훈련 시간과 학습 결과의 정확도도 상이함. 따라서, 이기종 단말이 제공하는 지역학습 결과를 연합학습에 일률적으로 반영할 수 없고, 데이터 누락에 대한 정확한 판단을 제공하면서 효율적으로 정보를 취합할 수 있는 집계 방식이 필요함
• 본 연구에서는 이기종 단말이 보유하고 있는 정보량과 학습 능력을 기반으로 각 단말의 평판 (신뢰도)를 평가하고, 평판에 따라 집계 그룹을 형성하여 집계 그룹 별로 보안 집계를 수행하는 평판 기반 보안 집계 모델을 새롭게 제안함
• 결과적으로 유사 평판을 갖는 단말 그룹별로 집계를 수행함으로써, 데이터 누락 노드 판단의 정확도를 높이고, 집계 정보의 정확도를 검증할 수 있고, 보다 정확하고 신뢰할 수 있는 학습 결과를 도출할 수 있는 평판 기반 연합 학습 모델을 제안함

□ 연구 목표대비 연구결과
• 프라이버시를 보호하는 연합 학습을 위해 클러스터 기반 집계 기술과 동형암호를 활용한 집계 기술을 새롭게 제안하였음
‒ 각 단말의 정보량과 컴퓨팅 능력을 기반으로 각 단말의 평판을 결정하고, 평판 기반 단말들을 클러스터링하는 알고리즘을 제시하였고, 클러스터 기반으로 집계를 수행되, 연합 학습의 정확도를 높이면서도, 통신 오버헤드를 줄임과 동시에, 마스킹 값의 유효성도 검증할 수 있고 데이터 누락에도 견고한 실용적인 집계 알고리즘을 제안하였음
‒ 마스킹 기반 집계 방식의 단점을 보완하기 위해 멀티키 동형암호를 활용한 집계 방식을 새롭게 제안하였음. 특히, 단말마다 서로 다른 키를 이용하면서도 동형 연산이 가능한 암호문을 생성하는 방식을 새롭게 제안하였고, 서버는 각단말의 제공하는 암호문들의 덧셈 연산을 통해서 원 데이터의 덧셈 결과를 바로 계산할 수 있는 새로운 집계 방식을 제안하였음
• 제안한 집계 방식을 지원하는 연합 학습 프로토타입을 개발하였고, 다양한 데이터에 대한 연합 학습을 수행할 수 있는 토대를 마련하였음
‒ 다양한 연합 학습 모델을 시뮬레이션 할 수 있는 테스트 베드 구축과 함께, 제안한 두 가지 집계 방식을 지원하는 연합 학습 프로토타입을 구현하였음. MNIST 데이터 셋을 CNN 모델로 학습하였을 때, 제안한 모델의 정확성 및 효율성에 대한 성능을 평가하였음. 클러스터 기반 집계 방식의 경우 통신 오버헤드를 줄임과 동시에 데이터 누락에도 견고하며, 학습 정확도도 개선되어 데이터 누락 비율에 상관없이 91%의 정확도를 보여주었음. 동형암호 기반 집계 방식에 대한 성능평가는 현재 계속 수행 중에 있으며, 각 단말이 서버에 전송하는 전송량을 더 줄일 수 있도록 추가 연구 중에 있음

□ 연구개발성과의 활용 계획 및 기대효과(연구개발결과의 중요성)
• 본 연구를 통해서, 각 단말의 개인 정보를 안전하게 보호함과 동시에 통신량을 줄이고, 학습 결과의 정확도를 개선하는 두 가지 집계 방식을 새롭게 제안하였음.
• 이를 바탕으로, 가장 민감 데이터로 분류되는 의료데이터 대해서 고혈압 및 당뇨 등의 진단을 위한 연합 학습에 대한 실험을 수행하여, 실제 의료 분야에 적용할 수 있는 실용적 모델을 제안할 예정임. 이는 실제 병원에서 모바일 단말을 통해서 환자의 상태를 확인하고 이를 수집하고 AI 기술을 바탕을 특정 병명을 진단하는 모델에 직접적으로 활용될 수 있을 것으로 기대됨
• 제안한 마스킹 기반 집계 기술 및 멀티키 동형암호 기반 집계 기술을 연합학습뿐 만이 아니라 기타 다른 분산 AI 기술에 적극적으로 적용할 수 있는 방법을 모색하여 다양한 AI 기술에 응용할 예정임. 집계뿐만이 아니라, 제안한 기술을 바탕으로 데이터 검증 및 악의적 데이터 탐지 등에 적극 활용할 예정임

(출처 : 연구결과 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 4
• 2. 연구개발과제의 수행 과정 및 수행 내용 ... 5
• 1) 1차년도: 기반 기술 확보 - 평판 기반 연합 학습 모델 설계 ... 5
• 2) 2차년도: 핵심 기술 개발 - 평판 기반 보안 집계 기술 개발 ... 6
• 3) 3차년도: 서비스 모델 구현 - 평판 기반 연합 학습 프로토타입 개발 및 성능 분석 ... 9
• 3. 연구개발과제의 수행 결과 및 목표 달성 수준 ... 11
• 1) 정성적 연구개발성과(연구개발결과) ... 11
• 2) 세부 정량적 연구개발성과 ... 11
• 3) 목표 달성 수준 ... 12
• 4) 목표 미달 시 원인 분석 ... 12
• 4. 연구개발성과의 관련 분야에 대한 기여 정도(연구개발결과의 중요성) ... 13
• 5. 연구개발성과의 관리 및 활용 계획 ... 13
• 6. 자체점검표 ... 14
• 7. 참고문헌 ... 14
• 끝페이지 ... 26