본 연구는 함수 데이터 분석(FDA)에서 차등 프라이버시(DP) 보존 문제를 체계적으로 탐구한다. 함수 평균 추정부터 변동 계수 모델 추정까지 폭넓게 다루며, 여러 서버가 각각 희소하게 관측된 함수들을 수집하는 분산 학습 프레임워크를 제안한다. 이 계층적 구조는 복합적인 프라이버시 개념을 도입한다.
각 함수 내에서는 사용자 수준의 차등 프라이버시가 적용되며, 서버 수준에서는 중앙 집중식 데이터 수집을 고려하여 중앙 차등 프라이버시가 적용된다. 서버 간에는 연합 차등 프라이버시 제약 조건을 준수하며 오직 비공개 정보만이 교환된다. 이러한 복잡한 계층 구조를 해결하기 위해 미니맥스 이론을 활용하여 여러 근본적인 현상을 밝혀낸다.
희소 FDA부터 밀집 FDA까지, 사용자 수준부터 중앙 및 연합 차등 프라이버시 비용까지, 그리고 FDA의 다양한 체제와 프라이버시 보존 간의 복잡한 상호작용을 규명한다. 여러 프라이버시 제약 조건 하에서 함수 데이터 추정을 엄격하게 조사한 최초의 연구이며, 이론적 발견은 효율적인 비공개 알고리즘과 광범위한 수치적 증거로 보완된다.
이 연구는 도전적인 문제에 대한 포괄적인 탐구를 제공하며, 분산 환경에서 민감한 함수 데이터를 안전하게 분석하는 데 필요한 이론적 기반과 실용적 방법론을 제시한다. 이는 향후 관련 분야의 연구 및 응용에 중요한 기여를 할 것으로 기대된다.
연합 학습(FL)은 원본 데이터를 중앙 집중화하지 않고 분산 모델 훈련을 가능하게 하여 프라이버시에 민감한 IoT 환경에 적합합니다. 그러나 기존 FL 알고리즘은 통계적으로 이질적인(non-IID) 데이터 분포에서 클라이언트 드리프트로 인해 수렴 속도가 느려지고 성능이 저하되는 문제가 있습니다. 본 논문은 이러한 문제를 해결하기 위해 확률적 경사 하강법의 클라이언트 업데이트 규칙에 파티클 군집 최적화(PSO) 역학(속도 평활화, 개인 최적 기억, 전역 최적 조정)을 통합한 하이브리드 연합-군집 최적화(HFSO) 알고리즘을 제안합니다.
제안된 HFSO 알고리즘은 라운드당 통신 부하를 늘리지 않으면서 심각한 non-IID 조건에서 수렴을 가속화하고 견고성을 향상시키는 것을 목표로 합니다. CIFAR-10 및 FEMNIST 데이터셋에 대한 실험 결과, HFSO는 FedAvg 및 최신 이질성 인식 방법(FedNova, MOON, CCVR)보다 우수한 성능을 보였습니다. 특히 CIFAR-10에서 HFSO는 500라운드에서 74.84%의 정확도를 달성하여 FedAvg의 62.44%를 크게 상회했습니다.
분포 분석 결과, HFSO는 최악의 클라이언트 정확도를 개선하고 클라이언트 간 분산을 감소시키는 것으로 나타났습니다. 제한된 화이트박스 위협 모델에서의 경험적 프라이버시 평가에서는 공격에 대한 취약성이 감소함을 보여주었습니다. 이는 HFSO가 non-IID 환경에서 연합 학습의 효율성과 안정성을 크게 향상시킬 수 있음을 시사합니다.
