연합 학습(Federated Learning)은 데이터 프라이버시 위험을 완화할 것으로 기대되지만, 분산된 특성으로 인해 더 취약한 공격 표면을 도입한다. 본 논문은 연합 학습에서의 중독(poisoning) 공격을 조사한다. 최근 연구들은 이미지 인식과 같은 분류 모델에서 학습의 이 주제를 활발히 탐구하고 있으나, 회귀 모델에서의 이와 관련된 연구는 거의 없다. 이 글은 학술적으로 거의 연구되지 않은 분야인 부하 예측(load forecasting)에 대한 중독 공격의 영향을 특히 살펴본다. 이를 위해 먼저, 공개적으로 이용 가능한 에너지 데이터를 사용하여 부하 예측을 위한 연합 학습에 Long Short-Term Memory를 구현한다. 첫 번째 실험은 분산 학습이 예측 성능에 미치는 영향을 시연한다. 그다음 연합 학습 설정에서 두 가지 중독 공격을 구현하고, 부하 예측의 예측 정확도에 대한 영향을 열거하기 위한 실험을 수행한다. 마지막으로 본 논문은 두 가지 중독 공격을 탐지하고 그 영향을 완화하기 위한 스펙트럴 클러스터링(spectral clustering) 알고리즘을 제안하고, 그 성능을 평가한다. 실험 결과, 제안된 알고리즘은 부호 반전(sign flipping) 공격에서 예측 정확도를 175.9% 향상시키고, 가산 잡음(additive noise) 공격에서는 174.8% 향상시키는 것으로 나타났다.

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