연구진은 분산 학습(FL) 환경에서 개인 정보 보호를 강화하는 DP-LAC라는 새로운 방법을 제시했습니다. DP-LAC는 초기 클리핑 임계값을 추정하고, 추가적인 개인 정보 예산 소모 없이 학습 과정에서 이를 적응적으로 조정합니다. 기존 방법보다 평균 6.6% 더 높은 정확도를 달성하며 성능을 입증했습니다.
DP-LAC는 개인 정보 보호를 위해 각 클라이언트의 기여도를 제한하는 클리핑 임계값을 동적으로 조절하는 기술입니다. 기존 적응형 클리핑 방법의 복잡한 하이퍼파라미터 튜닝 문제를 해결하고, 개인 정보 예산을 효율적으로 관리합니다.
DP-LAC는 개인 정보 보호를 유지하면서도 분산 학습 모델의 정확도를 향상시키는 데 기여합니다. 복잡한 하이퍼파라미터 조정 없이도 기존의 최첨단 적응형 클리핑 방법과 DP-SGD를 능가하는 성능을 보여줍니다.