스케일러블하고 차등 개인정보 보호가 가능한 셔플 모델 분산 집계

본 논문은 연합 학습(Federated Learning)에서 핵심적인 문제인 “프라이버시를 보장하면서 사용자들의 로컬 데이터를 안전하게 집계하는” 방법을 셔플 모델을 이용해 새롭게 해결한다. 기존의 안전한 집계 프로토콜은 ‘honest‑but‑curious’ 서버를 전제로 하며, 사용자와 서버 사이의 통신량이 O(n²) 수준으로 크게 비효율적이었다. 최근 셔플 모델을 활용한 차등 개인정보 보호( Differential Privacy, DP) 프로토콜이 제안됐지만, 이들 역시 통신량이나 집계 오차가 n^{Ω(1)} 로 증가하는 한계가 있었다. 저자들은 이러한 한계를 극복하기 위해 “invisibility cloak” 라는 새로운 인코더 기법을 고안한다. 기본 아이디어는 각 사용자가 자신의 입력값 x_i∈