저자들은 FedKT-CSD를 제안했습니다. 이는 클라이언트 데이터 분포가 어긋날 때 모델 품질과 프라이버시를 유지하는 과제를 해결하기 위한 원샷 연성 학습 프레임워크입니다. 이 방법은 공개적으로 사전 훈련된 오토인코더를 사용하여 공유 잠재 공간을 생성하고, 클라이언트가 개인 데이터를 인코딩하여 클래스 조건부 통계를 전송합니다.

  • 클라이언트는 단일 순전파를 수행하여 잠재 통계를 계산하며, 클라이언트 측 계산을 경량으로 유지합니다.
  • 서버는 보안 집계(security aggregation)를 통해 이러한 통계를 통합하고 보정된 차분 프라이버스 노이즈를 추가합니다.
  • 집계된 통계로부터 합성 데이터셋을 복호화하여 글로벌 모델을 학습합니다.
  • 이 설계는 구성에 의해 형식적 $(\varepsilon,\delta)$-차분 프라이버시를 제공합니다.

FedKT-CSD는 다수의 클라이언트에 확장 가능하며, 다양한 데이터셋과 이질성 설정에서 비프라이버시 기반선과 경쟁력이 있거나 이를 능가합니다.