FoggyTrust: 계층적 신뢰 네트워크를 통한 강건한 연합 학습
FoggyTrust: Robust Federated Learning with Hierarchical Trust Networks
비잔틴(Byzantine) 강건 연합 학습은 악의적이거나 손상된 클라이언트로부터 분산 모델 학습을 보호하되, 이들의 사적 데이터에 접근할 필요가 없도록 하는 것을 목표로 한다. FLTrust는 신뢰할 수 있는 서버 측 루트(root) 데이터셋을 도입하여 클라이언트 업데이트에 신뢰 점수를 부여함으로써 더 강건한 집계를 가능하게 함으로써 이 과제를 해결한다. 본 연구에서는 FLTrust의 계층적 확장인 FOGGYTRUST를 제안한다. FOGGYTRUST는 신뢰 계산을 포그(fog) 노드에 국한화하여, 전역적으로 이질적인 데이터를 더 잘 처리하면서도 로컬하게 동질적인 클라이언트 그룹 내에서는 강건성을 유지할 수 있게 한다. 또한, 이두(二層) 아키텍처가 로컬 신뢰 기반 집계와 FedAdam, SCAFFOLD와 같은 이질성 인식(heterogeneity-aware) 글로벌 옵티마이저를 결합함으로써, 신뢰 추정의 분포 불일치와 그룹 간 클라이언트 드리프트(client drift)를 동시에 해결할 수 있음을 보인다. 벤치마크 데이터셋들에 걸쳐 FOGGYTRUST는 더 어려운 이질적 설정에서 가장 큰 이득을 보이며, 특히 Krum 및 Trim 공격 하의 CIFAR-10에서 FLTrust 대비 50% 이상의 개선을 달성한다. 또한 실제 safari 데이터셋에서 FOGGYTRUST를 시험하여, 분산 야생동물 모니터링과 같이 사회적으로 영향력 있고 안전성(safety)이 중요한(safety-critical) 환경에서 강건한 연합 학습을 위한 계층적 신뢰 네트워크의 가능성을 보여준다.