딥러닝(DL)은 질병 예측을 포함한 많은 응용 분야에서 광범위하게 채택되어 왔다. 대부분의 DL 기반 응용은 DL 모델이 너무 크고 복잡하여 클라이언트 측에서 실행하기 어렵기 때문에 클라우드 서버에서 수행된다. 실질적으로 클라우드에 호스팅된 추론은 개인 의료 데이터를 사용하는 서비스와 관련하여 개인정보 보호에 대한 우려를 초래한다. 그럼에도 불구하고 최근 건강 진단 서비스용 DL 기반 응용의 발전을 고려하면, 이러한 응용은 일상생활에서 의료 지원을 제공하는 지배적인 수단이 되었다. 개인 의료 데이터의 오용을 방지하기 위해 민감한 정보를 보존하는 여러 기법이 개발되었으며, 이는 개인정보 보호와 유용성 간의 상충관계(trade-off)를 수반한다. 개인정보 보존과 양호한 예측 성능을 모두 제공하는 간단한 방법은 진단 방법을 클라이언트 측에 배치하는 것이다. 그러나 이를 수행하면 DL 모델이 공격자에 대해 더 취약해진다. 이를 위해 본 연구에서는 사용자 데이터의 프라이버시를 보장하면서 원래의 클래스 정보를 유지하고 모델을 역공학(reverse engineering)으로부터 보호하는 딥 프라이빗 생성 프레임워크를 제안한다. 벤치마크 질병 데이터셋에 대한 실제 딥 신경망을 대상으로 한 실험 결과, 제안된 방법은 원래 데이터와 합성 데이터 간의 상호정보량(mutual information)을 거의 80% 감소시키면서도 원래 예측 정확도에 거의 95%에 해당하는 예측 정확도를 보존함을 보여주었다.

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