온디바이스 연합 학습(FL)은 스마트폰 및 IoT 노드와 같은 자원 제약이 있는 디바이스에서 프라이버시를 보존하면서 개인화된 모델 학습을 가능하게 한다. 통신 비용을 줄이기 위해 부호 기반 방법(예: signSGD)은 1비트 그래디언트를 전송한다. 그러나 그래디언트 부호를 노출하면 추론 공격에 취약해지며, 기존 보안 집계 방식은 이러한 방법과 호환되지 않거나 상당한 계산 및 통신 오버헤드를 발생시키는 경우가 많다. 우리는 부호 기반 FL에 맞춘 경량의 정보 이론적 보안 집계 프레임워크를 제안한다. 이 프레임워크는 단일 라운드 보안 곱셈을 통해 다수결(MV) 다항식을 안전하게 계산하며, 정직한 과반수 가정 하에서 종단 간 정보 이론적 보안을 보장하면서 서버에는 최종 집계된 부호만 공개한다. 효율성과 확장성을 높이기 위해 두 가지 핵심 기법을 도입한다. 첫째, 역형(inverse-form) 지수 축소는 유효 MV 다항식 차수를 절반으로 줄여 통신 및 계산 비용을 모두 낮춘다. 둘째, 단일 라운드 보안 곱셈을 제안하여 단 한 번의 온라인 통신만으로 선형 오프라인 복잡도와 저장 공간을 달성한다. 이들 기법을 결합하면 기존 방식 대비 온라인 통신을 최대 99.5%, 지연 시간을 최대 85.7% 줄인다. 또한 내재된 MDS 코드 기반 디코딩을 활용하여 드롭아웃과 적대적 행동 모두에 대한 강건성을 달성하며, 각각 최대 20.65% 및 10.74%의 정확도 향상을 얻는다. 전반적으로, 제안된 프레임워크는 부호 기반 FL에서 대규모, 저지연, 정보 이론적 보안 집계를 위한 실용적 기반을 마련한다.
Tensor decomposition of donor $\times$ cell-type $\times$ gene single-cell data recovers \emph{multicellular programs}: coordinated axes of inter-individual transcriptional variation that span cell types and stratify disease. Yet immune single-cell atlases are increasingly multi-institution, multi-ancestry, and governed, so patient cells often cannot be pooled. We present a federated estimator: each site computes a local program subspace, and a coordinator merges these by stacked SVD under federated global-mean centering, provably equivalent (up to truncation) to the centralised decomposition. This centering makes the merge robust to site-label confounding (program AUC $0.957$ vs.\ $0.861$ for naive per-site centering). Only program subspaces leave a site, and aggregation is compatible with secure aggregation. On a 261-donor systemic lupus erythematosus atlas it recovers the canonical interferon program (ISG enrichment AUC $0.998$; case--control separation $0.958$; bootstrap $Δ\text{AUC}=-0.000$, 95\% CI $[-0.004,+0.012]$ vs.\ centralised), across institution-scale and multi-ancestry partitions, and across three \emph{real} COVID-19 sites (subspace correlation $0.989$). It recovers the program when \emph{no site observes all cell types} (correlation $1.000$, exact by construction), which fixed-feature federated PCA cannot. On an interstitial-lung-disease atlas the recovered program predicts disease better than the best single cell type (AUC $0.96$ vs.\ $0.91$; gap 95\% CI excludes zero) and the advantage survives federation; a liver cohort is consistent ($p=0.005$). Membership-inference shows secure aggregation cuts attack AUC from $0.91$ to $0.61$. The method enables cross-institution, cross-ancestry recovery of multicellular immune programs without sharing cells.
분산 학습(Decentralized Learning)에서 기밀성(confidentiality)과 비잔틴 행동(Byzantine behaviors)을 동시에 다루는 것은 어려운 문제입니다. 실제로 분산 학습에서 클라이언트는 데이터를 로컬에 유지하면서 머신러닝 모델을 학습하고, 모델 파라미터 또는 그라디언트를 이웃 집합과 공유합니다. 기밀성을 강화하려면 교환되는 모델 파라미터/그라디언트를 숨겨야 하는 반면(예: 암호화 기술 사용), 비잔틴 기여(Byzantine contributions)를 처리하려면 이를 검사해야 하는 경우가 많습니다. 따라서 대부분의 연구는 이러한 목표를 별도로 다룹니다. 최근 연구들은 모델 중독(model poisoning)에 대해 강건한 집계기를 구현하기 위해 안전한 다자간 계산(Secure Multi-Party Computation, MPC)을 사용하여 기밀성과 비잔틴 내성을 모두 강화할 것을 제안합니다. 그러나 이러한 솔루션은 확장성이 좋지 않습니다. 참여자 간의 전체 대 전체(all-to-all) 통신을 요구하거나, 계산 및 통신 부하가 네트워크 크기에 비례하여 증가하는 소수의 하위 집합에게 전체 계산을 위임하기 때문입니다. 본 논문에서는 기밀성과 비잔틴 견고성을 갖춘 분산 집계를 위한 프로토콜인 Giskard를 제안합니다. Giskard는 $n$개의 참여자를 크기가 $O(\log n)$인 위원회(committee) 트리로 구성하고, 각 위원회 내에서 BGW 방식의 MPC를 사용하여 값 도메인에 대한 위원회 적응형 분산 이진 검색을 통해 좌표별 근사 중앙값을 평가합니다. 우리는 보안 및 기밀성 속성을 증명하여 이론적으로, 그리고 최대 100만 명의 참여자가 참여하는 광범위한 실험을 통해 실험적으로 Giskard를 평가합니다. 가장 유사한 경쟁 방법들과 비교할 때, Giskard는 최대 $n/4$의 비잔틴 참여자 하에서 비교 가능한 모델 유틸리티를 보이면서 참여자별 통신 복잡도를 점근적으로 감소시킵니다.
보안 집계(Secure aggregation)는 업데이트의 프라이버시를 보호하면서 서버가 사용자들의 로컬 업데이트를 집계할 수 있도록 합니다. 기존의 정보 이론적 문제들은 상관된 무작위 키가 신뢰할 수 있는 제3자(TTP)에 의해 제공되거나 미리 정의된 그룹별 구조를 통해 생성된다고 가정하는 경우가 많으며, 이러한 상관된 키를 설정하는 데 드는 통신 비용은 종종 무시됩니다. 결과적으로, 일반적인 키 분배 메커니즘 하에서의 근본적인 한계는 여전히 알려져 있지 않습니다. 본 논문에서는 키 분배 단계와 업데이트 집계 단계로 구성된 일반적인 2단계 프레임워크 하에서 $N$명의 사용자가 있는 $T$-공모 정보 이론적 보안 집계 문제를 연구합니다. 기존 연구와 달리, 본 연구는 사용자 간 통신을 통한 키 분배를 모델링하고 임의의 사용자 생성 키 분배 메커니즘을 허용하여 TTP나 미리 정의된 구조에 대한 의존성을 제거합니다. 이를 통해 보안을 위한 무작위성(randomness), 키 분배 통신, 집계 통신이라는 세 가지 자원에 대한 통합적인 특성 분석이 가능해집니다. 우리는 새로운 보안 집계 방식과 이에 대응하는 정보 이론적 역부(converse)를 구성하여 이 세 가지 자원 간의 용량 영역을 완전히 특성화합니다. 특히, 크기가 $N$ 이상인 모든 유한체에 대해 명시적이고 결정론적인 용량 달성 구성(construction)을 개발하였으며, 이는 대부분의 기존 방식이 TTP에 의존하거나 충분히 큰 유한체에서 무작위 혹은 존재성에 기반한 구성을 사용하는 것과 대조됩니다. 또한, 쌍별 공유 키(pairwise shared keys)만을 사용하여 최적의 성능을 달성할 수 있음을 보여주어, 디피-헬만(Diffie-Hellman) 키 교환을 통한 구현을 가능하게 합니다. Google의 획기적인 보안 집계 방식과 비교했을 때, 제안된 방식은 동일한 집계 통신 오버헤드를 유지하면서 더 적은 무작위 마스킹 키를 요구합니다.