Giskard: 대규모 분산 학습을 위한 비잔틴 강건·비밀 집계
Overview
분산 학습에서 동시에 기밀성과 비잔티움 행동을 처리하는 것은 도전적인 문제입니다. 실제로 분산 학습에서는 클라이언트가 로컬에 데이터를 보관하면서 머신러닝 모델을 훈련하고, 그 모델 파라미터나 근사값을 이웃 집합과 공유합니다. 기밀성을 보장하려면 교환된 모델 파라미터/근사값을 숨겨야 하며(예를 들어 암호학적 기술을 사용해서), 비잔티움 기여에 대응하려면 후자를 검토해야 합니다. 따라서 대부분의 연구는 이러한 목표를 별도로 다룹니다. 최근 연구에서는 보안 다중 파티 계산(MPC)을 활용해 모델 중독에 강한 집계기를 구현하고 동시에 기밀성과 비잔티움 회복력을 확보합니다. 그러나 이러한 솔루션은 확장성이 떨어집니다: 참여자 간에 모두 대등 통신을 요구하거나 전체 계산을 소수의 부분 집합에 위임하여 네트워크 크기와 비례적으로 계산 및 통신 부하가 증가합니다. 본 논문에서는 Giskard라는 프로토콜을 제시합니다. 이는 기밀성과 비잔티움 회복력을 갖춘 분산 집계를 목표로 합니다. Giskard는 $n$ 파티를 크기 $O(\log n)$의 위원회 트리로 구성하고, 값 도메인 상에서의 분산 이진 검색을 사용해 위원회별로 조정된 좌표별 근사값(중간값)을 평가합니다. 각 위원회 내에서 BGW 스타일 MPC를 적용합니다. 우리는 이론적으로 Giskard의 보안 및 기밀성 특성을 증명하고, 최대 100만 명의 참여자를 포함한 광범위한 실험을 통해 실험적으로 평가합니다. 가장 가까운 경쟁작과 비교했을 때, Giskard는 최대 $n/4$ 개의 비잔티움 파티에 대해서도 모델 유틸리티를 유지하면서 per-파티 통신 복잡성을 아시мп틱적으로 감소시킵니다.
Key Contributions
본 논문은 다음 분야의 연구를 제시합니다:
- cs.CR
- cs.LG
Methodology
자세한 방법에 대해서는 전체 논문을 참고하십시오.
Practical Implications
이 연구는 cs.CR의 발전을 기여합니다.
Authors
- Ousmane Touat
- César Sabater
- Mohamed Maouche
- Sonia Ben Mokhtar
Paper Information
- arXiv ID: 2606.19129v1
- 카테고리: cs.CR, cs.LG
- 게시일: June 17, 2026
- PDF: PDF 다운로드