연구진은 연합 학습(FL) 환경에서 악성 서버가 학습 데이터를 모델에 저장하고 복구하는 Taking Away Training Data(TATD) 공격을 연구했어요. FedCVESA는 Pearson 상관관계 정규화기를 도입하여 개인 학습 데이터를 선택된 모델 파라미터에 점진적으로 인코딩하는 CVEA의 연합 학습 변형이에요. 분산된 캐리어 파라미터에 대한 분할 집계를 통해 캐리어 파라미터의 덮어쓰기를 줄이고 나머지 파라미터는 표준 평균을 유지해요.
MNIST, Fashion-MNIST, CIFAR-10 데이터셋 실험 결과, 학습된 모델에서 의미 있는 개인 학습 이미지를 성공적으로 추출하면서도 주 작업 유틸리티를 유지했어요. 이는 연합 학습이 악성 서버 환경에서 파라미터 수준의 메모리 채널이 될 수 있음을 보여줘요.
본 연구는 FL 환경에서 악성 서버가 개인 학습 데이터를 모델에 저장하고 복구하는 TATD 공격의 위험성을 경고하며, 이에 대한 방어 연구의 필요성을 강조해요.