[기술 요약] FHAIM: 개인정보 보호를 위한 완전 동형 암호 기반 합성 데이터 생성 프레임워크

1. 문제 정의 (Problem Statement)

현대 AI의 핵심 자산인 데이터는 의료, 금융, 교육 등 민감한 분야에 집중되어 있으나, 엄격한 개인정보 보호 규제로 인해 데이터 사일로(Silo) 현상이 발생하여 활용도가 낮습니다. 이를 해결하기 위해 합성 데이터 생성(Synthetic Data Generation, SDG) 기술이 주목받고 있지만, 기존의 'SDG-as-a-Service' 모델은 다음과 같은 치명적인 한계가 있습니다.

• 입력 데이터 프라이버시(Input Privacy) 부재: 기존 서비스는 결과물의 프라이버시(Output Privacy)를 위해 차분 프라이버시(Differential Privacy, DP)를 적용하지만, 서비스 제공자가 학습을 위해 사용자의 원본 데이터를 평문(Plaintext) 상태로 접근해야 한다는 전제가 깔려 있습니다.
• 신뢰 문제: 데이터 보유자는 제3자 서비스 제공자에게 원본 데이터를 맡기는 것에 대해 법적·조직적 제약을 받습니다.
• 기존 대안의 한계: 다자간 계산(MPC)이나 연합 학습(FL)은 여러 컴퓨팅 노드 간의 협력과 비결탁(Non-collusion) 가정이 필요하여, 단일 서비스 제공자가 운영하는 클라우드 환경에는 부적합합니다.

2. 제안 방법론 (Methodology: FHAIM)

본 논문은 **완전 동형 암호(Fully Homomorphic Encryption, FHE)**를 활용하여, 데이터 보유자가 데이터를 암호화된 상태로 전송하면 서비스 제공자가 이를 복호화 없이 직접 학습할 수 있는 최초의 프레임워크인 FHAIM을 제안합니다.

핵심 메커니즘: DP-in-FHE

FHAIM은 기존의 최첨단 알고리즘인 AIM(Marginal-based SDG)을 FHE 환경에 맞게 재설계하였습니다. 핵심 아이디어는 AIM의 반복적 프로세스 중 데이터에 의존적인 단계(Select, Measure)를 FHE 내에서 수행하는 것입니다.

1. $\pi$COMP (Marginal Computation): 데이터를 One-Hot Encoding(OHE)한 후, SIMD(Single Instruction, Multiple Data) 패킹 전략을 사용하여 암호화된 상태에서 1차 및 2차 주변 확률 분포(Marginal distributions)를 계산합니다.
2. $\pi$SELECT (Differentially Private Query Selection): 어떤 속성 조합을 학습할지 결정하는 단계입니다. 기존의 $L_1$ 노름(Norm)은 FHE에서 절대값 함수를 근사해야 하므로 불안정합니다. 본 논문은 이를 해결하기 위해 **제곱 $L_2$ 노름(Squared $L_2$ norm)**을 도입하여, 암호화된 상태에서도 수치적 안정성과 효율성을 확보했습니다. 또한, Gumbel-Max trick을 암호화 도메인에 구현하여 지수 메커니즘(Exponential Mechanism)을 수행합니다.
3. $\pi$MEASURE (Noisy Measurement): 선택된 주변 분포에 가우시안 노이즈를 추가하여 차분 프라이버시(DP)를 보장합니다. 이 과정은 FHE 내에서 수행되어, 복호화된 결과물은 이미 노이즈가 섞인(Privatized) 상태가 됩니다.
4. Generate (In-the-clear): 노이즈가 추가된 통계량은 복호화되어 평문으로 변환된 후, 확률적 그래픽 모델(PGM)을 통해 합성 데이터를 생성합니다. 이 단계는 데이터에 의존적이지 않으므로 일반적인 방식으로 수행됩니다.

3. 주요 기여 (Key Contributions)

• 최초의 FHE 기반 SDG 프레임워크: 단일 서비스 제공자 환경에서도 입력 데이터 프라이버시를 완벽히 보장하는 최초의 시스템을 구축했습니다.
• 새로운 FHE 프로토콜 설계: $\pi$COMP, $\pi$SELECT, $\pi$MEASURE 등 DP 메커니즘을 FHE 내에서 효율적으로 구현하기 위한 독창적인 프로토콜을 제안했습니다.
• 수치적 안정성 확보: $L_1$ 근사 문제의 대안으로 제곱 $L_2$ 노름을 제안하여, FHE 연산의 한계를 극복하고 데이터의 유용성(Utility)을 유지했습니다.
• 효율적인 메모리 레이아웃: SIMD 패킹과 컬럼 기반 레이아웃을 통해 데이터 크기에 관계없이 연산 깊이(Multiplicative depth)가 일정하게 유지되도록 설계하여 확장성을 확보했습니다.

4. 실험 결과 (Results)

Breast Cancer, COMPAS, Diabetes 등 세 가지 실제 데이터셋을 통해 검증한 결과는 다음과 같습니다.

• 유용성 (Utility): FHAIM-L2(제곱 $L_2$ 방식)는 원본 AIM 알고리즘(평문 기반)과 거의 동일한 통계적 특성 및 머신러닝 모델 성능을 보여주었습니다. 반면, 기존의 $L_1$ 근사 방식은 오차로 인해 성능이 저하됨을 확인했습니다.
• 실행 시간 (Runtime): 전체 학습 과정이 약 11분에서 30분 사이로 완료되었습니다. 초기화 단계(Compute)가 가장 많은 시간을 차지하며, 반복적인 학습 단계(Select, Measure)는 매우 빠르게 수행됩니다.
• 메모리 사용량 (Memory): 피크 메모리 사용량이 32MB 미만으로 매우 낮아, 고가의 장비 없이도 일반적인 클라우드 인스턴스에서 실행 가능함을 입증했습니다.

5. 의의 (Significance)

FHAIM은 **"데이터를 공개하지 않고도 데이터의 통계적 가치를 추출할 수 있다"**는 것을 실증적으로 보여주었습니다. 이는 의료 및 금융과 같이 데이터 보안이 극도로 중요한 산업 분야에서, 데이터 보유자가 제3자에게 데이터를 노출할 위험 없이 안전하게 AI 모델을 학습시키고 합성 데이터를 생성할 수 있는 실질적인 기술적 토대를 마련했다는 점에서 큰 의의가 있습니다.