순서가 있습니다. 포털 넷(연구방·지식센터·커뮤니티·아카데미)을 먼저 담고,
SSRA 는 맨 나중에 담아 주세요. SSRA 를 먼저 담으면 나머지가 그 안에 포함된 것으로
잡혀 따로 담기지 않습니다. 아이콘도 담을 차례대로 놓았습니다 — 왼쪽부터 차례로 누르시면 됩니다.
최신(2026년) 논문으로 연합 학습 보안 분야의 새로운 접근법을 제시해 최신성과 참신성을 인정받았다.
논문 요약
연합 학습은 데이터 프라이버시를 보호하지만 분산 구조로 인해 백도어 공격에 취약하다. 특히 비IID 데이터 환경에서 기존 방어는 이상치 탐지와 외부 검증 데이터에 의존해 한계가 있다. 본 논문은 이러한 문제를 해결하기 위해 외부 검증 없이도 비IID 상황에서 표적 공격을 차단할 수 있는 새로운 방어 방법 RFLDefense를 제안한다.
후속 연구설계에 활용하기
RFLDefense의 방어 메커니즘을 기준선으로 삼아 공격 성공률·전역 모델 정확도·비IID 정도를 변수로 한 후속 실험을 설계할 수 있다.
핵심어
연합 학습백도어 공격방어 메커니즘비IID 데이터
실존 확인
이 논문은 OpenAlex에서 후보로 수집한 뒤, Crossref에 등록된 DOI와 제목 일치를 확인해 노출합니다.
SSRA가 문헌연구에서 인용 논문의 실재 여부를 검증하는 원칙과 같습니다.