연구진은 분산 학습 시 프라이버시 유출을 줄이는 BettiSplit 프레임워크를 제안했어요. 분산 학습의 프라이버시 위험은 레이어별로 균일하지 않으며, 깊이에만 의존하는 방식으로는 제대로 파악하기 어려워요. BettiSafe 전략은 토폴로지 복잡도를 활용하여 프라이버시 민감한 레이어를 식별하고, 특징 역추적에 대한 저항력을 2~5배 향상시켰어요.
분산 학습은 신경망을 클라이언트와 서버에 분산하여 협업 모델 훈련을 가능하게 하지만, 부적절한 분할은 중간 표현을 통해 심각한 프라이버시 유출을 야기할 수 있어요. BettiSplit은 smashed activations의 지속적인 Betti 복잡성을 기반으로 프라이버시 보호 분산 학습을 위한 토폴로지 기반 프레임워크를 제공해요.
BettiSafe는 명시적인 공격 실행 없이 프라이버시 민감한 레이어를 식별하며, 분류 정확도를 유지하면서 특징 역추적에 대한 저항력을 향상시키고, 모델 유틸리티를 저하시키지 않으면서 역추적 난이도를 높이는 정규화를 가능하게 해요.