이 논문은 무선 에너지 수확(EH)을 활용하는 군집 무인항공기(UAV) 보조 증폭-전달(AF) 중계 네트워크를 위한 협력적 친화 재밍(friendly jamming) 프레임워크를 제안한다. 구체적으로, 지상 기지국으로부터 원거리의 이동 사용자에게 정보를 중계하는 동시에 도청자를 교란/은폐하기 위한 친화 재밍 신호를 동시에 생성하는 정지 비행(hovering) UAV들의 군집을 고려한다. UAV의 에너지가 제한되어 있으므로, UAV들이 무선 에너지를 수확하고 정보를 중계하며 도청자를 재밍하는 과정에서 협력할 수 있도록 협력적 시간 전환(time-switching) 중계 프로토콜을 개발한다. 성능을 평가하기 위해, 도청자에서의 두 가지 널리 사용되는 검출 기법(즉, 선택 결합(selection combining)과 최대비 결합(maximum-ratio combining))에 대해 비밀 유지 실패 확률(secrecy outage probability, SOP)을 도출한다. 이후 도출된 SOP의 이론적 전개를 검증하기 위해 몬테카를로 시뮬레이션을 사용한다. 도출된 SOP를 이용하면, 특정 비밀 보호 수준을 달성하기 위해 군집 내 UAV 수와 EH 시간(에너지 수확 시간)을 최적화하는 데 필요한 공학적 통찰을 얻을 수 있다. 또한 시뮬레이션 결과, 제안된 프레임워크는 기존의 AF 중계 시스템에 비해 SOP 측면에서 그 효과가 있음을 보여준다. 본 연구에서 도출된 해석적 SOP는 향후 UAV 보안 통신 최적화(예: UAV의 궤적 및 위치)에 도움이 될 수 있다. 예시로, 시스템 SOP를 최소화하기 위해 군집을 배치할 최적의 통로(corridor)를 찾는 사례 연구를 제시한다. 제안된 프레임워크는 산업용 IoT, 스마트 시티, 지능형 교통 시스템, 에너지 및 물과 같은 중요 IoT 인프라 등과 같이 대규모 커버리지를 요구하는 다양한 응용에서의 통신 보안을 강화하는 데 기여한다.

도메인 일반화(Domain Generalization, DG)는 여러 개의 알려진 소스 도메인에서 학습하여, 알려지지 않은 타깃 도메인에서도 잘 일반화할 수 있는 모델을 학습하는 것을 목표로 한다. DG에서 핵심적인 접근법 중 하나는 도메인 불변 표현(domain-invariant representations)을 생성하는 인코더를 학습하는 것이다. 그러나 이러한 접근법은 다양한 도메인의 데이터가 서로 다른 클라이언트에 분산되어 있는 연합 도메인 일반화(Federated Domain Generalization, FDG)에서는 적용할 수 없다. 본 논문에서는 Federated Learning via On-server Matching Gradient (FedOMG)로 명명된 새로운 접근을 제안하며, 이는 분산된 도메인으로부터 \emph{효율적으로 도메인 정보를 활용}할 수 있다. 구체적으로, 우리는 로컬 그래디언트를 분산된 모델에 대한 정보로 활용하여, 그래디언트 내적(gradient inner product) 최대화를 통해 모든 도메인에 걸친 불변 그래디언트 방향을 찾는다. 그 장점은 두 가지이다. 1) FedOMG는 추가적인 통신 비용을 전혀 발생시키지 않으면서 중앙 서버에서 분산된 모델들의 특성을 집계할 수 있고, 2) FedOMG는 많은 기존의 FL/FDG 방법들과 직교적(orthogonal)이라서, 이들과 원활하게 통합함으로써 추가적인 성능 향상을 이룰 수 있다. 다양한 설정에서의 광범위한 실험 평가를 통해, 다른 FL/FDG 기준선(baselines) 대비 FedOMG의 견고성을 입증한다. 우리의 방법은 네 개의 FL 벤치마크 데이터셋(MNIST, EMNIST, CIFAR-10, CIFAR-100)과 세 개의 FDG 벤치마크 데이터셋(PACS, VLCS, OfficeHome)에서 최근의 SOTA 기준선을 능가한다.