데이터 반출 없는 다 기관 협업 인공지능 학습 인프라

전체 글 189

CMATH-04. 타원 곡선과 순환 군: 암호 기술의 핵심 원리

타원 곡선 암호(Elliptic Curve Cryptography, ECC)는 현대 디지털 보안의 핵심 기술입니다. 비트코인과 같은 암호화폐는 물론, 우리가 매일 사용하는 메시징 앱의 종단간 암호화, 웹사이트 접속에 쓰이는 HTTPS 통신 등 수많은 곳에서 데이터를 안전하게 지키고 있죠. 이 기술의 심장에는 '타원 곡선'이라는 특별한 수학적 구조와 그것이 이루는 '순환 군(Cyclic Group)'이라는 특성이 자리 잡고 있습니다.​1. 타원 곡선: 점들의 특별한 덧셈 규칙타원 곡선은 특정 방정식(보통 $y^2 = x^3 + ax + b$ 형태)을 만족하는 점(x, y)들의 집합입니다. 이 곡선 위의 점들은 매우 독특하고 강력한 덧셈 규칙을 가지고 있습니다.타원 곡선 위에서 두 점의 덧셈 (출처: des..

CMATH-03. 군(Group), 가환 군, 순환 군

군은 추상대수학의 가장 기본적인 개념으로, 특정 규칙들을 만족하는 집합과 그 집합에 정의된 연산의 조합을 말합니다. 어떤 집합 G와 그 위의 이항 연산(예: 덧셈 '+' 또는 곱셈 '×')이 '그룹'이 되려면 다음 네 가지 기본 조건(공리)을 반드시 만족해야 합니다.군의 4가지 조건 (Group Axioms)​어떤 집합 G와 연산 '*'에 대해, 집합 안의 임의의 원소 a, b, c가 다음 규칙을 만족할 때 (G, *)를 군이라고 부릅니다.1. 연산에 대해 닫혀 있다 (Closure)a * b는 반드시 집합 G의 원소이다.집합 안의 어떤 두 원소를 가져와 연산해도 그 결과는 항상 그 집합 안에 있어야 합니다. 예를 들어, 두 정수를 더하면 항상 정수가 되므로, 정수 집합은 덧셈에 대해 닫혀 있습니다.2...

CMATH-02. 군(Group)과 체(Field)

​군: 더 일반적이고 단순한 구조군이 체보다 더 단순하고 일반적인 개념이며, 체를 정의하기 위한 기본적인 구성 요소로 사용됩니다.군: 단 하나의 연산과 네 가지 기본 규칙(닫힘, 결합법칙, 항등원, 역원)만 만족하면 성립합니다. 이 단순함 덕분에 대칭성을 가지는 거의 모든 대상(예: 도형의 회전, 분자 구조, 암호학)에서 군의 구조를 발견할 수 있습니다.체: 두 개의 연산(덧셈, 곱셈)이 필요하며, 각 연산에 대해 군과 유사한 규칙들(특히 교환법칙까지)을 만족해야 하고, 두 연산을 연결하는 분배법칙까지 성립해야 합니다. 조건이 훨씬 까다롭기 때문에, 체가 되는 대상은 군이 되는 대상보다 훨씬 제한적입니다.​쉽게 말해, 모든 체는 그 안에 군의 구조를 포함하고 있지만, 모든 군이 체가 되는 것은 아닙니다...

CMATH-01. 덧셈의 일반화된 수학적 정의

초등 산술에서 덧셈은 단순히 수를 합하는 과정이지만, 수학이 발전하면서 이 '더한다'는 행위의 본질적인 속성은 무엇인지, 그리고 이 속성을 숫자뿐만 아니라 벡터, 행렬, 함수 등 다른 대상에도 적용할 수 있는지 탐구하게 되었습니다. 이러한 탐구의 결과로, 현대 수학에서는 덧셈을 훨씬 더 추상적이고 강력한 개념으로 정의합니다. 덧셈의 수학적 정의는 크게 두 단계로 일반화됩니다. 첫 번째는 페아노 공리계를 이용한 자연수의 덧셈 정의이며, 두 번째는 이를 추상대수학의 구조로 확장하는 것입니다.1. 페아노 공리를 이용한 자연수의 덧셈 정의가장 근본적인 수 체계인 자연수(N=0,1,2,...)에서 덧셈은 다음의 두 가지 규칙으로 재귀적으로 정의됩니다. 이는 주세페 페아노가 제시한 공리계에 기반합니다.​ 여기서 S..

연합학습에서의 데이터 이질성(Non-IID) 정량화

1. 개요연합학습의 가장 큰 난제는 클라이언트(기관)마다 데이터 분포가 다른 Non-IID(Non-Independent and Identically Distributed) 상황입니다. 중앙 서버가 원본 데이터를 볼 수 없는 보안 제약 하에서, 서버는 클라이언트들이 전송하는 모델 업데이트의 기하학적, 통계적 특성을 분석하여 이질성을 간접적으로 정량화할 수 있습니다.2. 서버 측 이질성 정량화 방법론2.0. 전제: 모델 업데이트의 정의와 등가성본 문서에서 언급하는 '모델 업데이트'는 구체적인 구현(FedAvg, FedSGD 등)에 따라 다음 세 가지 중 하나일 수 있으나, 이질성 정량화의 본질은 동일합니다.파라미터 ($w_t$): 학습이 완료된 로컬 모델의 가중치 자체파라미터 차이 ($\Delta w$): ..