Research Analysis and Future Directions for Verifiable Federated Learning

연합학습(Federated Learning, FL)은 분산 환경에서 데이터 이동 없이 협력적 모델 학습을 수행하는 프라이버시 보존형 패러다임이다. 그러나 업데이트 과정의 정보 유출 위험과 악의적 클라이언트에 의한 무결성 위협이 동시에 제기되며, 프라이버시 보호와 모델 신뢰성 확보간의 구조적 Trade-off가 핵심 과제로 부상했다. 이러한 한계를 극복하기 위해 검증 가능한 연합학습(Verifiable Federated Learning, VFL)이 제안되고 있다. VFL은 영지식 증명(Zero-Knowledge Proof, ZKP), 신뢰 실행 환경(Trusted Execution Environment, TEE) 등의 기술을 활용하여 데이터 노출 없이 학습 및 집계 과정의 정당성을 검증하는 것을 목표로 한다. 본 논문에서는 연합학습 환경의 프라이버시 및 무결성 위협을 체계적으로 분석하고, 기존 VFL 연구를 검증의 주체와 범위에 따라 서버 집계 검증, 클라이언트 학습 검증, 통합 접근의 세 계열로 분류하여 기술 동향을 정리한다. 또한 검증 범위 확장에 따른 계산 비용 증가와 확장성 문제를 중심으로 VFL의 구조적 한계를 분석하고, 향후 연구 방향을 제시한다.