메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
소진현 (대구경북과학기술원)
저널정보
한국통신학회 한국통신학회지(정보와통신) 한국통신학회지 (정보와통신) 제41권 제10호
발행연도
2024.9
수록면
43 - 49 (7page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
연합학습(Federated Learning)은 분산된 형태로 존재하는 여러명의 데이터 소유자들이 데이터의 로컬 저장을 유지하면서 서로 협력하여 공동의 인공지능 모델을 학습할 수 있도록 하는 혁신적인 접근법이다. 그러나 데이터의 로컬 저장을 유지함에도 불구하고 모델 업데이트 과정에서 Model inversion attack등을 통해 학습데이터의 프라이버시가 위협받을 수 있다는 것이 최근 연구를 통해 밝혀지고 있다. 이러한 문제를 해결하기 위해, 프라이버시 보호를 강화하는 다양한 방법론이 제안되었다. 본고에서는 프라이버시 강화 기법 중 하나인 secure aggregation에 중점을 두어, 그 개요 및 핵심아이디어를 소개하고 가장 중요한 문제점 중 하나인 quadratic complexity barrier를 소개한다. 이 문제를 해결하기 위한 최근 연구 동향을 소개하고, Secure Aggregation에서 해결되지 않은 문제와 향후 연구 방향을 논의한다.

목차

요약
Ⅰ. 서론
Ⅱ. 연합 학습 정의 및 연합 학습에서 프라이버시 위협
Ⅲ. Secure Aggregation 기법의 개요 및 복잡도 문제를 해결하기 위한 연구 동향
Ⅳ. Secure Aggregation의 난제 및 최근 연구 동향
Ⅴ. 결론
참고문헌

참고문헌 (0)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

최근 본 자료

전체보기

댓글(0)

0