본 논문은 연합 학습에서의 차등 프라이버시에 대해 고찰한다. 최근의 연구들은 기존 네트워크 환경에서 이 주제를 활발히 탐색하고 있으나, 차량 네트워크에서의 해당 주제를 다루는 연구는 거의 없다. 특히 본 연구는 정확도 성능과 데이터 보호 수준 간의 균형(trade-off)을 조사한다. 우리는 차량 네트워크에서 구동되는 두 가지 서로 다른 연합 학습 모델에 적응 클리핑(adaptive clipping) 방법을 적용한 국소 차등 프라이버시(local differential privacy)를 적용하고, 두 가지 상이한 이동성 시나리오 하에서 실험을 수행하였다. 그 결과, 프라이버시 강화 연합 학습 모델은 성능을 2.96%–42.97% 저하시켰으며, 이는 차량 네트워크가 차량의 이동성, 학습 모델, 그리고 프라이버시 솔루션에 민감함을 나타낸다. 초기 결과를 바탕으로, 연구 질문들을 청중과의 공개 논의를 위해 제시하고자 한다.

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