지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김경백
- 발행연도
- 2023
- 저작권
- 전남대학교 논문은 저작권에 의해 보호받습니다.
이용수10
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
연합학습은 모바일 장치와 같은 대규모 클라이언트의 로컬 데이터 세트를 사용하여 분산 모델 훈련을 가능하게 하지만 로컬 데이터를 공유하지 않고 모델 업데이트만 공유하는 머신러닝 기술이다. 이 기술은 여러 클라이언트에서 분산된 개인화된 데이터 세트를 활용하여 성능을 향상시키는 동시에 사용자에게 개인 정보 보호를 제공한다. 연합학습에서 학습 데이터는 서버로의 전송 없이 로컬 장치에 유지되며, 중앙 서버는 각 라운드에서 글로벌 모델을 학습하기 위해 로컬 데이터를 사용하여 로컬 장치에서 업데이트를 수집하여 글로벌 모델을 업데이트한다. 하지만 연합학습은 모든 학습 클라이언트가 목적에 맞는 충분한 데이터를 보유하고 있으며, 학습 모델을 개선하는데 항상 긍정적인 기여를 한다는 가정을 전제로 한다. 이러한 가정으로 인해 의도 여부와 관계없이 데이터 중독 등의 공격을 통해 모델 학습에 부정적인 영향을 끼칠 수 있는 악의적인 클라이언트가 참여할 수 있고, 일반적인 연합학습 시스템은 악의적인 클라이언트를 판별할 수 없다는 문제점이 존재한다. 위의 문제점을 해결하기 위해 본 논문에서는 직관적으로 확인할 수 있는 평가 정확도를 사용하여 각 라운드에서 클라이언트의 신뢰도 점수를 계산하고, 이를 기반으로 학습에 참여하는 클라이언트를 선택하여 데이터 중독 공격 방어가 가능한 신뢰할 수 있는 신뢰도 점수 기반 연합학습(Trust Score based Federated Learning, TSFL) 알고리즘을 제안한다. 제안된 알고리즘을 평가하기 위해 보편적으로 사용되는 연합학습 알고리즘인 FedAVG 방법과 선행 연구된 클라이언트간 모델을 공유한 평가 점수 기반 연합학습 방법, TSFL 방법을 이용한 모델 성능을 비교 및 평가한다.
목차
1. 서론 11.1 연구 배경 11.2 연구 목적 21.3 논문 구성 22. 배경지식 및 관련 연구 32.1 연합학습 32.2 연합학습 종류 42.2.1 수직 연합학습 (VFL) 42.2.2 수평 연합학습 (HFL) 52.2.3 연합 전이학습 (FTL) 62.3 연합학습 모델 집계 알고리즘 72.3.1 FedSGD 72.3.2 FedAVG 72.3.3 FedDYN 82.4 연합학습 보안 공격 82.4.1 중독 공격 92.4.1.1 데이터 중독 공격 102.4.1.2 모델 중독 공격 112.4.2 추론 공격 112.4.2.1 멤버십 추론 공격 112.4.2.1 속성 추론 공격 122.4.2.1 학습 데이터 샘플 및 레이블 추론 공격 122.4.3 Free-riding 공격 132.5 관련 연구 133. 신뢰도 점수 기반 연합학습 173.1 Trust Score based Federated Learning 시스템 구조 173.2 신뢰도 계산 183.2 신뢰도 점수 기반 연합학습 224. 실험 및 평가 244.1 실험 환경 244.2 실험 결과 분석 264.2.1 시나리오 별 성능 평가 비교 264.2.2 글로벌 모델 취합 소요 시간 비교 304.2.3 p, q, r 비율에 따른 TSFL 성능 비교 314.2.4 학습 참여 기회 임계치 에 따른 성능 비교 325. 결론 34참고문헌 35Abstract(영문초록) 38
최근 본 자료
댓글(0)
0