연구자들은 엄격한 프라이버시 보장을 달성하면서도 이질적인 클라이언트 데이터에 걸쳐 모델 품질을 유지하는 원샷 연학습을 위한 프레임워크인 FedKT-CSD를 제안했습니다. 이 방법은 공개적으로 사전 학습된 오토인코더를 활용하여 공유 잠재 공간을 생성하며, 이를 통해 클라이언트가 프라이빗 데이터를 인코딩하고 클래스 조건부 잠재 통계량만 전송할 수 있습니다.
- 클라이언트는 단일 순전파를 수행하여 잠재 통계량을 계산하며, 클라이언트 측 계산 및 통신을 경량으로 유지합니다.
- 서버는 이러한 통계량을 안전한 집계 방식을 통해 통합하고 보정된 차분 프라이버스 노이즈를 추가합니다.
- 집계된 통계량으로부터 합성 데이터셋을 복호화하여 다운스트림 작업을 위한 글로벌 모델을 학습합니다.
- 이 설계는 구성상 형식적 $(\varepsilon,\delta)$-차분 프라이버시를 제공합니다.
FedKT-CSD는 다양한 데이터셋과 이질성 설정에서 비프라이빗 베이스라인과 경쟁하며 이를 능가하고, 대규모 클라이언트 수에 효과적으로 확장됩니다.