사물인터넷 객체를 위한 경량 프라이버시 보호 협업 학습에 관하여

사물인터넷(IoT)은 더 나은 시스템 지능을 달성하기 위한 주요 데이터 생성 기반이 될 것입니다. 본 논문에서는 호기심 많은 학습 조정자가 여러 IoT 객체가 기여한 데이터 샘플을 기반으로 더 나은 머신러닝 모델을 훈련하는 실용적인 프라이버시 보호 협업 학습 방 scheme의 설계와 구현을 고려합니다. 이 과정에서 훈련 데이터의 원시 형태는 조정자로부터 보호됩니다. 기존의 분산 머신러닝 및 데이터 암호화 접근 방식은 상당한 계산 및 통신 오버헤드를 발생시켜 자원 제약이 있는 IoT 객체에는 부적합하게 만듭니다. 우리는 각 IoT 객체에서 독립적인 가우시안 임의 투영을 적용하여 데이터를 난독화하고 IoT 객체로부터 투영된 데이터를 기반으로 조정자에서 심층 신경망을 훈련하는 접근 방식을 연구합니다. 이 접근 방식은 IoT 객체에 대한 경량 계산 오버헤드를 도입하고 대부분의 작업 부담을 충분한 컴퓨팅 자원을 가진 조정자로 이동시킵니다. IoT 객체에서 수행되는 독립적 투영은 호기심 많은 조정자와 일부 손상된 IoT 객체 간의 잠재적 공모를 해소하지만, 투영된 데이터의 복잡성을 크게 증가시킵니다. 본 논문에서는 복잡한 패턴을 포착하는 데 있어 심층 학습의 우수한 학습 능력을 활용하여 좋은 학습 성능을 유지합니다. 광범위한 비교 평가 결과, 본 접근 방식이 경량 데이터 패턴 복잡성을 가진 응용 분야에서 차별적 개인 정보 보호를 위한 가산 노이즈화 및/또는 지원 벡터 머신을 적용한 다른 경량 접근 방식보다 우수함을 보여줍니다.