1장. 서론
1.1 동기
1.2 해결책으로서의 연합학습
1.2.1 연합학습의 정의
1.2.2 연합학습의 범주
1.3 연합학습의 발전 현황
1.3.1 연합학습 분야의 연구 이슈
1.3.2 오픈소스 프로젝트
1.3.3 표준화 활동
1.3.4 FedAI 생태계
1.4 이 책의 구성
2장. 배경지식
2.1 프라이버시 보전 머신러닝
2.2 프라이버시 보전 머신러닝과 보안 머신러닝
2.3 프라이버시 위협 모델과 보안 모델
2.3.1 프라이버시 위협 모델
2.3.2 적대자 모델과 보안 모델
2.4 프라이버시 보전 기법
2.4.1 다자간 보안 계산
2.4.2 동형 암호
2.4.3 차분 프라이버시
3장. 분산 머신러닝
3.1 분산 머신러닝 소개
3.1.1 분산 머신러닝의 정의
3.1.2 분산 머신러닝 플랫폼
3.2 확장성 지향 분산 머신러닝
3.2.1 대규모 머신러닝
3.2.2 확장성 지향 분산 머신러닝 기법
3.3 프라이버시 지향 분산 머신러닝
3.3.1 프라이버시 보전 의사 결정 트리
3.3.2 프라이버시 보전 기법
3.3.3 프라이버시 보전 분산 머신러닝 기법
3.4 프라이버시 보전 경사 하강법
3.4.1 순수 연합학습
3.4.2 프라이버시 보전 방식
3.5 요약
4장. 수평 연합학습
4.1 수평 연합학습의 정의
4.2 수평 연합학습 아키텍처
4.2.1 클라이언트-서버 아키텍처
4.2.2 피어 투 피어 아키텍처
4.2.3 글로벌 모델 평가
4.3 연합 평균 알고리듬
4.3.1 연합 최적화
4.3.2 FedAvg 알고리듬
4.3.3 보안 FedAvg 알고리듬
4.4 FedAvg 알고리듬의 개선
4.4.1 통신 효율성
4.4.2 클라이언트 선택
4.5 관련 연구
4.6 도전 과제와 향후 전망
5장. 수직 연합학습
5.1 수직 연합학습의 정의
5.2 수직 연합학습의 아키텍처
5.3 수직 연합학습 알고리듬
5.3.1 보안 연합 선형 회귀
5.3.2 보
이 책에서 다루는 내용
여러 데이터 소유자가 모두 훈련에 사용할 각자의 로컬 데이터를 비공개로 유지하며 함께 협력해 서로 공유하는 예측 모델을 훈련시키고 이용하려면 어떻게 해야 할까? 전통적인 머신러닝 방식에서는 모든 데이터를 한곳에, 보통 데이터 센터에 모아야 한다. 그러면 자연히 사용자의 개인 정보 보호와 데이터 기밀 유지에 관한 법률을 위반할 소지가 다분하다. 오늘날 세계 곳곳에서는 테크 기업들에게 사용자 데이터를 개인 정보 보호법에 따라 신중하게 취급할 것을 요구한다. 유럽 연합의 일반 데이터 보호 규정(GDPR, General Data Protection Regulation이 대표적인 예다. 이 책에서는 연합 머신러닝을 이용해 이러한 문제를 어떻게 해결하는지 설명한다. 분산 머신러닝, 암호화 및 보안, 경제 원리와 게임 이론에 근거한 인센티브 메커니즘 설계를 결합한 새로운 해결책을 제시한다. 여러 유형의 프라이버시 보전 머신러닝 솔루션과 각각의 기술 배경을 설명하고, 대표적인 실제 적용 사례를 살펴본다. 연합학습이 어떻게 책임 있는 AI 개발 및 응용에 대한 기술적, 사회적 요구에 부응하는 차세대 머신러닝의 밑거름이 될 수 있는지 알아본다.
이 책의 대상 독자
연합학습 입문서로, 컴퓨터 과학과 AI, ML 분야의 학생들, 그리고 빅데이터 및 AI 애플리케이션 개발자들을 대상으로 한다. 학부 고학년부터 대학원 학생들과 교수, 대학 및 연구 기관에 있는 연구자들까지 유용하게 읽을 수 있을 것이다. 법률이나 정책 담당 기관, 정부 부처에서 일하는 이들에게도 빅데이터 및 AI와 관련된 법적 문제에 대한 참고서가 될 수 있다. 강의용으로는 대학원 세미나 과정의 교재나 연합학습 문헌에 대한 참고서로 사용할 만하다.
지은이의 말
이 책에서는 데이터가 여러 사이트에 흩어져 있고 소유하고 있는 개인이나 조직이 서로 달라서 데이터를 한데 모으기가 쉽지 않을 때, 어떻게 인공지능 애플리케이션에서 머신러닝 모델을 만들고 사용하는지 알려준다. 근래