본 논문은 연합 학습에서의 차등 개인정보 보호를 조사한다. 이 주제는 기존 네트워크 환경에서 활발히 연구되어 왔으나, 특히 다양한 이동 패턴을 고려하여 차량 사물인터넷(Internet of Vehicles)에서 이를 다룬 연구는 드물다. 구체적으로, 본 연구는 성능 정확도와 데이터 보호 수준 사이의 상충관계를 측정하고 열거하며, 이동 패턴이 그 상충관계에 어떻게 영향을 미치는지 평가하는 것을 목표로 한다. 이를 위해 본 논문은 학습 모델, 차량 이동성, 개인정보 보호 알고리즘의 세 가지 요인을 고려한 방법을 제안한다. 이동 패턴을 반영하여, 국소 차등 개인정보 보호를 적응형 클리핑(adaptive clipping) 방법으로 강화하고, 이동성 기반 연합 학습 모델에 적용한다. 실험에서는 두 가지 이동 시나리오를 각각 비사고 교통 상황과 교통 사건을 나타내는 것으로 하여, 차량용 네트워크에서 모델을 구동한다. 그 결과, 개인정보 보호를 강화한 본 연합 학습 모델은 기존 연합 학습 모델에 비해 정확도 성능을 평균 2.96–3.26% 저하시켰으며, 기존 연합 학습 모델의 성능 저하는 평균 42.97%였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.