프라이버시를 보호하는 분산 기계 학습 연구 동향 


13권  2호, pp. 76-90, 2월  2024
https://doi.org/10.3745/TKIPS.2024.13.2.76


PDF
  요약

인공지능 기술은 스마트 시티, 자율 주행, 의료 분야 등 다양한 분야에서 활용 가능성을 높이 평가받고 있으나, 정보주체의 개인정보 및 민감정보의 노출 문제로 모델 활용이 제한되고 있다. 이에 따라 데이터를 중앙 서버에 모아서 학습하지 않고, 보유 데이터셋을 바탕으로 일차적으로 학습을 진행한 후 글로벌 모델을 최종적으로 학습하는 분산 기계 학습의 개념이 등장하였다. 그러나, 분산 기계 학습은 여전히 협력하여 학습을 진행하는 과정에서 데이터 프라이버시 위협이 발생한다. 본 연구는 분산 기계 학습 연구 분야에서 프라이버시를 보호하기 위한 연구를 서버의 존재 유무, 학습 데이터셋의 분포 환경, 참여자의 성능 차이 등 현재까지 제안된 분류 기준들을 바탕으로 유기적으로 분석하여 최신 연구 동향을 파악한다. 특히, 대표적인 분산 기계 학습 기법인 수평적 연합학습, 수직적 연합학습, 스웜 학습에 집중하여 활용된 프라이버시 보호 기법을 살펴본 후 향후 진행되어야 할 연구 방향을 모색한다.

  통계
  논문 참조

[IEEE Style]

M. S. Lee, Y. A. Shin, J. Y. Chun, "Systematic Research on Privacy-Preserving Distributed Machine Learning," The Transactions of the Korea Information Processing Society, vol. 13, no. 2, pp. 76-90, 2024. DOI: https://doi.org/10.3745/TKIPS.2024.13.2.76.

[ACM Style]

Min Seob Lee, Young Ah Shin, and Ji Young Chun. 2024. Systematic Research on Privacy-Preserving Distributed Machine Learning. The Transactions of the Korea Information Processing Society, 13, 2, (2024), 76-90. DOI: https://doi.org/10.3745/TKIPS.2024.13.2.76.

논문 투고 양식

검색
(제목, 저자, 키워드)

세부 검색 ▼

관심이 많은 키워드
(상위 10개 키워드)

최근 출판 목록
(최근 3년)

과거 출판 목록

인덱싱

TKIPS에 출판되는 모든 논문은 DOI, EBSCO, Google Scholar, Crossref, CrossCheck에 인덱스됩니다.

TKIPS는 한국연구재단(National Research Foundation) 등재학술지입니다.

유관 저널