ias.uni-stuttgart.de

이 이메일 도메인이 관측된 논문 2건

arXiv:2608.27108v1cs.CR

SecureDrive-FL: 연합 운전자 모니터링을 위한 차분 프라이버시 및 그래디언트 인식 선택적 동형암호의 결합

SecureDrive-FL: Joint Differential Privacy and Gradient-Aware Selective Homomorphic Encryption for Federated Driver Monitoring

연합학습(Federated Learning, FL)은 프라이버시를 고려한 분산 학습(training)을 가능하게 하지만, 그래디언트(gradient) 업데이트는 여전히 악용될 소지가 있습니다. 즉, 중간자(MitM) 도청은 전송 중인 업데이트를 노출시키며 모델(model) 중독 공격은 글로벌 수렴(convergence)을 훼손합니다. 본 논문에서는 정적 층(layer) 기반이나 전체 매개변수(parameter) CKKS 방식처럼 모든 매개변수를 일률적으로 암호화하는 대신, 차분 프라이버시(DP)로 보정된 민감도 임계값을 초과하는 그래디언트 성분만을 동적으로 식별하여 암호화하는 새로운 선택적 암호화 전략인 GASHE(Gradient-Aware Selective Homomorphic Encryption)를 처음으로 제안합니다. GASHE를 기반으로, 본 연구는 DP-SGD와 GASHE를 결합하여 최초의 폐루프 DP+HE 프라이버시 파이프라인을 구축하는 연합 운전자 모니터링 프레임워크인 SecureDrive-FL을 소개합니다. 여기서는 DP-SGD 보정 매개변수가 GASHE 암호화 마스크를 직접 도출함으로써 학습 시간의 프라이버시와 통신 시간의 기밀성을 통합합니다. 비-IID(non-IID) 연합 분할 환경의 10개 클래스 주의 분산 운전자 분류(classification) 태스크에서 평가한 결과, SecureDrive-FL은 DP-SGD 단독 적용 시와 동등한 중독 저항성(정확도 73.6% 대 74.0%, 두 경우 모두 공격 성공률 3.9%)을 유지하는 동시에, DP-SGD 단독 사용 시 거의 무작위 수준의 정확도로 무너지는(78.2% 대 10.4%) MitM 도청까지 견뎌냅니다. 이는 라운드당 프라이버시 매개변수 epsilon_0=4를 갖는 DP-SGD 노이즈 주입 조건에서, DP-SGD 단독 대비 약 8~10%의 추가 런타임 오버헤드만으로 달성됩니다.

arXiv:2608.23622v1cs.AI

LLM 에이전트의 시뮬레이션 모델 기반 통제 실험 수행

LLM Agents Perform Controlled Experiments Using Simulation Models

대규모 언어 모델(LLM)은 추론, 계획, 도구 사용에서 강한 역량을 보여 왔지만, 많은 과학·공학 과제는 그럴듯한 텍스트와 코드 생성 이상을 요구한다. 이는 개입(intervention)에 시스템이 어떻게 반응하는지 이해하는 것이며, 실무에서는 통제 실험에 달려 있다. 본 연구에서는 제약 공정 설계를 위해 LLM 에이전트가 과학적 시뮬레이션 모델로 통제 실험을 수행할 수 있게 하는 다중 에이전트 프레임워크를 제안한다. 사용자 질의와 기준선 구성이 주어지면, 시스템은 구조화된 과제 표현을 구성하고, 실험을 설계하며, 비교 시뮬레이션을 실행하고, 그 결과를 해석한 뒤, 공정 매개변수 최적화를 위한 근거 기반 권고를 종합한다. 인터랙티브 에이전트 프레임워크에서 언어 모델과 고정밀(high-fidelity) 시뮬레이션 모델을 결합함으로써, 제안 시스템은 개입, 비교, 관찰을 통한 추론을 지원한다. 그 결과 언어만으로 추론하는 것보다 더 구체적이고 실행 가능한 출력을 생성한다. 산업 적용 환경에서 이 장점은 출력의 구체성 향상뿐 아니라 사용자 평가상의 정확성과 유용성 개선으로도 나타난다. Ablation 연구와 시각화된 사례 분석은 시뮬레이션 통합 실험적 추론의 효과와 실용적 가치를 추가로 보여준다.