earticle

영어

Federated Learning is distributed learning method in which locally trained parameters are sent to a server for parameter updates, enabling collaborative model training while preventing the leakage of local data. Although it protects local data from exposure, Federated Learning still suffers from limitations such as network overhead caused by parameter transmission and vulnerability to inversion attacks on the transmitted parameters. This study analyzes the performance of applying an extended quantization method to improve both parameter transmission efficiency and security in Federated Learning. While existing techniques such as gradient clipping, differential privacy, and standard quantization can enhance security against inversion attacks, their effectiveness in reducing transmission volume is limited. In this work, we applied an extended quantization technique that reduces the number of effective parameter values by expanding the quantization range, and we experimentally analyzed its impact on transmission reduction and defense against inversion attacks across various expansion ratios and quantization levels. Experiments show that extended quantization can effectively reduce transmission volume and improve security, with the cost of small loss in model accuracy.

한국어

연합학습(Federated Learning)은 로컬데이터 기반의 학습 파라미터를 서버로 보내어 파라미터를 업데이트하는 방식의 분산 학습 방식으로써 로컬 데이터 유출을 방지하면서 모델을 공동 학습할 수 있는 구조를 제공한다. 연합학 습은 로컬 데이터의 유출은 방지하지만 파라미터 전송으로 인한 네트워크 부하와 파라미터에 대한 역복원 공격 (Inversion Attack)에 취약하다는 한계가 있다. 본 연구는 연합학습에서 파라미터 전송 효율성과 보안성을 향상시 키기 위해 확장 양자화 방식을 적용한 성능 분석을 다룬다. 기존의 gradient 클리핑, 차등 프라이버시, 양자화 기법 은 역복원 공격에 대한 보안성을 높이지만 전송량 절감 효과에는 제한적이다. 본 연구는 양자화 시 값의 범위를 확 장하여 양자화를 수행함으로써 유효 파라미터값을 줄이는 확장 양자화 기법을 적용하여 보았고, 다양한 확장 비율과 양자화 레벨에 따른 전송량 절감 및 역복원 공격 방어 성능을 실험적으로 분석했으며, 실험 결과, 확장 양자화는 약 간의 정확도 손실을 감수하는 대신 전송량을 효과적으로 줄이고 보안성을 향상시킬 수 있음을 확인하였다.