차분 프라이버시(DP)를 적용한 합성 교육 데이터의 유효성과 예측 성능을 평가하는 PEARL 프레임워크를 제안한다. 96개 실험 설정 중 12개만이 모든 PEARL 검증을 통과했으며, 일부 데이터셋은 특정 그룹(예: 중도탈락 학생)을 누락하거나 학습 활동 순서를 보존하지 못해 거부되었다.
차분 프라이버시를 적용한 합성 데이터는 예측 성능과 공정성을 보장하기 위해 PEARL과 같은 종합적 평가 프레임워크가 필요하다.
확산 모델의 훈련 과정에서 발생하는 프라이버시 문제, 특히 멤버십 추론 공격(MIA)에 대응하기 위해, Adaptive Diffusion Freezing(ADF)이라는 새로운 프레임워크를 제안한다. ADF는 교차 타임스텝 적응형 동결 훈련을 활용하여, 다양한 데이터 서브셋의 참여를 마스크 행렬을 통해 조절함으로써 과도한 학습을 줄이고 멤버십 유출을 방지한다.
이 연구는 확산 모델의 프라이버시 보호를 강화하는 새로운 접근법을 제시하여, 생성 모델을 사용하는 기업이나 연구자들이 멤버십 추론 공격에 대비할 수 있도록 지원한다.
차분 프라이버시(DP)를 적용한 텍스트 합성 기법을 분산 환경에서 설계하고, 가벼운 사용자 참여만으로 텍스트 합성을 가능하게 한다. 네 가지 벤치마크에서 기존 중앙집중식 DP 합성 방법과 유사한 유틸리티를 달성한다.
이 연구는 분산 환경에서 사용자 텍스트 데이터를 보호하면서 텍스트 합성을 수행할 수 있는 새로운 접근법을 제시한다.
스마트폰은 LTE, WiFi, BLE 프로토콜을 통해 일시적 식별자를 전송한다. 기존 프라이버시 방어는 프로토콜별로 식별자 무작위화를 분석하지만, CrossLink는 프로토콜 간 식별자 연결을 통해 위치 프라이버시를 무력화한다. 대규모 이동 시뮬레이션에서 CrossLink는 83% 사용자의 전체 추적을 재구성했으며, 단일 프로토콜 기준 대비 3.8배 높은 성능을 보였다.
이 연구는 LTE, WiFi, BLE 프로토콜 간의 식별자 연결을 통해 위치 프라이버시를 무력화할 수 있음을 보여주어, 프로토콜별 분리된 프라이버시 방어 전략의 한계를 드러내고 종합적인 접근이 필요함을 시사한다.
차분 프라이버시(DP)를 적용한 합성 텍스트 데이터가 특정 소속 정보를 유출하는지 검증하기 위해 소속 추론 공격(MIA) 감사를 수행했다. 32개 프록시와 4개 데이터셋, 3개 생성기, 5개 프라이버시 예산을 대상으로 실험한 결과, DP는 평균 유출을 줄이지만, 일부 레코드에서 유출이 집중되는 경향이 있었다.
차분 프라이버시를 적용한 합성 데이터라도 특정 레코드에서 소속 정보 유출이 집중될 수 있으므로, 보호 수준을 평가할 때 전체적인 평균이 아닌 개별 레코드의 유출 경향을 고려해야 한다.
eSIM 프로비저닝 과정에서 사용자의 익명성을 보호하기 위해 제로지식 증명을 활용한 새로운 프로토콜인 ZK-eSIM을 제안한다. ZK-eSIM은 기존 RSP 프로토콜 대비 암호화 오버헤드가 실용적인 수준임을 실험적으로 입증한다.
이 연구는 eSIM 프로비저닝 과정에서 사용자의 익명성을 보호하면서도 기존 인프라와 호환되는 보안 기법을 제공하여 모바일 보안 실무에 적용 가능하다.
도트 맵에서 노출되는 프라이버시 위험을 분석하고, 고정밀도 위치 복구 프레임워크 AutoLocate를 제안한다. AutoLocate는 지도 렌더링 과정에서 발생하는 반전각 아티팩트를 활용해 1미터 이하의 복구 오차를 달성했다.
도트 맵을 사용할 때 위치 정보가 1미터 이하로 노출될 수 있으므로, 프라이버시 평가 도구와 완화 전략을 적용해야 한다.
실제 디지털 프라이버시 사건을 분석하여 프라이버시 향상 기술(PETs)의 한계를 평가하고, 새로운 정보 흐름 모델을 제안했다. 모델은 257개 사건에서 파생된 데이터 흐름과 결과적 피해를 포괄한다.
이 연구는 PETs가 기능 제공에 초점을 맞추는 한 피해를 예방하기 어렵다는 점을 실무에 시사한다.
소비자 금융, 임상, 경찰 수사 기록에서 전문가 검증 질문을 모은 벤치마크 CIPHER를 제안한다. 테이블 전문가 및 하이브리드 시스템이 기밀 변환의 영향을 어떻게 받는지 평가한다.
이 결과로 프라이버시 변환의 영향을 추론 시스템에 정량적으로 평가할 수 있다.
기계 언러닝은 삭제 요청에 따라 모델을 재학습시키는 것을 목표로 한다. 이 연구는 리트로액티브 알고리즘과 차분 프라이버시를 결합한 새로운 정의를 제시하고, 선형 통계량, 클러스터링, 히스토그램에 대한 구조를 제시한다.
이 연구는 기계 언러닝을 프라이버시 보호를 위한 리트로액티브 알고리즘으로 확장할 수 있음을 보인다.
HTTPS 트래픽만으로 사용자가 방문한 웹사이트를 추정하는 웹사이트 지문(WF) 공격을 방어하기 위해 HTTP/2 프로토콜의 기능을 활용한 방어 기법을 제안한다. HTTP/2의 다중 전송(multiplexing), 흐름 제어(flow control) 등의 기능을 통해 클라이언트 및 서버 단에서의 방어 가능성을 실증적으로 평가한다.
HTTP/2의 기능을 활용한 방어 기법은 기존 WF 방어 방식 대비 가벼우면서도 효과적인 대안이 될 수 있다.
연방 학습에서 데이터 삭제를 효율적으로 처리하기 위해 서버가 클라이언트에게 선형 분류기를 전송하는 방식이 공격에 노출될 수 있음을 보인다. MNIST와 CIFAR-10 데이터셋에서 높은 정밀도로 라벨을 복원할 수 있음을 실험으로 입증한다.
연방 학습 시스템에서 데이터 삭제 후에도 클라이언트가 분류기 업데이트를 분석해 삭제된 정보를 복원할 수 있으므로, 서버의 전송 정밀도와 업데이트 검증을 강화해야 한다.
분할된 대형 언어 모델 훈련 시스템에서 프라이버시 평가가 실패하는 메커니즘을 분석하고, 그라디언트 패턴을 통해 데코이를 식별하는 공격 방법을 제시한다. 4,096개의 프레임에서 100%의 데코이 식별 성능을 보였으며, 추가 토큰 복원률은 +0.65~+1.50%포인트였다.
분할 LLM 훈련 시스템의 프라이버시 평가 시 반환된 그라디언트를 반드시 검토해야 하며, 클리핑과 노이징이 유일한 완화 방안임을 확인해야 한다.
음악 메타버스(Musical Metaverse)의 보안 및 프라이버시 문제를 다층 위협 분석을 통해 규명하고, 실시간 성능을 저해하지 않는 방식의 설계 지침을 제시한다. 실시간 음악 상호작용에 적합한 SRTP, DTLS와 같은 경량 보안 프로토콜의 적합성을 평가했다.
실시간 음악 메타버스 시스템 설계 시 SRTP, DTLS와 같은 경량 보안 프로토콜을 채택하여 보안과 성능을 균형 있게 유지해야 한다.
연방 침입 탐지 시스템에서 개인정보 보호, 강건성, 공정성 간의 상호작용을 분석하고 기하학적 구분 불가능성을 개념적 도구로 제시하였다. DP-SGD와 좌표별 중위수 집계를 결합한 방법을 평가하여, 강한 개인정보 보호 조건에서 드문 공격 탐지 성능이 상대적으로 저하되는 현상을 보였다.
실무에서는 연방 침입 탐지 시스템 설계 시 개인정보 보호, 강건성, 드문 공격 탐지 간의 트레이드오프를 종합적으로 고려해야 한다.
대규모 문서 집합에서 개인 정보 보호 검색을 위해 압축 임베딩과 암호 프로토콜을 통합한 Spruce를 제안한다. 10Gbps 대역폭에서 전체 검색이 0.21-2.97초 소요되며, 기존 방식 대비 4.8-6.7배 빠르다.
Spruce는 대규모 문서 검색 시 개인 정보 보호를 유지하면서 처리 속도를 크게 향상시킬 수 있다.
은행과 의료 시스템에서 연방 학습을 안전하게 훈련하기 위해 차분 프라이버시와 Byzantine-robust aggregation을 결합한 새로운 프레임워크를 제안한다. 60회 의사소통 라운드에서 20개 클라이언트 중 25%가 Byzantine인 시뮬레이션에서, 일반적인 FedAvg는 소수 클래스에서 F1 점수 0.030로 붕괴되지만 제안된 프레임워크는 F1 점수 0.119를 달성하면서 각 클라이언트의 프라이버시 손실을 제한한다.
은행과 의료 시스템에서 데이터 프라이버시와 Byzantine 공격에 대한 내성을 동시에 확보하기 위해 차분 프라이버시와 Byzantine-robust aggregation을 결합한 프레임워크를 설계할 필요가 있다.
차량 네트워크에서 연방 학습(FL)을 사용할 때 클라이언트 식별 정보가 업데이트를 통해 유출되는 문제를 분석하고, 가벼운 클리핑-노이즈 방어 기법을 제안한다. 가우시안 노이즈(sigma=0.1~0.2)를 적용하면 공격 정확도를 난수 수준으로 낮출 수 있으며, FL 정확도는 5% 미만으로 저하된다.
차량 간 통신(V2X)에서 연방 학습을 사용할 때 클라이언트 식별 정보가 유출될 수 있으므로, 가벼운 노이즈 추가 방식을 통해 프라이버시를 보호할 수 있다.
센서 집약 환경에서 개인 정보 보호를 위해 대조 학습 기반 확산 모델을 제안하고, 3개의 실제 데이터셋에서 개인 활동 탐지 정확도를 40~50% 감소시켰다. 비개인 활동 성능에는 영향을 주지 않았다.
센서 데이터를 활용한 서비스에서 개인 정보 보호를 강화할 수 있는 새로운 기법을 제시한다.
AI 기반 교육 시스템에서 프라이버시 보호와 정확한 인지 진단의 균형 문제를 해결하기 위해, 여러 상용 LLM API가 원시 학생 데이터나 프로퍼티 모델 내부에 접근하지 않고 협력하는 연방 추론 프레임워크를 제안한다. 이 프레임워크는 LLaMA-3.3-70B, GPT-4o-mini, Claude-3-Haiku 등의 이질적 다중 LLM 아키텍처를 기반으로 하며, epsilon-로컬 차분 프라이버시를 통해 각 엔티티의 예측 출력에 래플레 노이즈를 추가하고 잔차 기반 집계를 통해 모델 이질성을 완화한다.
이 연구는 AI 교육 시스템에서 학생 데이터의 프라이버시를 보호하면서도 정확한 인지 진단을 가능하게 하는 연방 추론 프레임워크를 제시하여, 교육 기술 분야의 실무자들에게 프라이버시 보호 기술 적용 방안을 제시한다.
차분 프라이버시 기반 선형 질의 응답에서 무작위성과 유틸리티의 교환 관계를 개선한 새로운 알고리즘을 제안한다. $\ell_\infty$-오차 기준에서 $O(d / \varepsilon)$ 오차로 $d$개의 선형 질의를 처리하는 데 $O(\log d)$ 개의 무작위 비트를 사용한다.
차분 프라이버시 기법에서 무작위성과 정확도의 균형을 더 효율적으로 맞출 수 있는 알고리즘이 제안되었다.
본 페이지의 연구 요약은 공개된 초록을 AI가 한국어로 정리한 것으로, 원문과 차이가 있을 수 있습니다. 정확한 내용은 반드시 원문을 확인하십시오. 본문과 PDF는 제공하지 않으며, 모든 저작권은 각 저자와 발행처에 있습니다.