refactor(topics): 멀티 에이전트용 지식 재편 — _Common(공통 기본기) + Domain_* 구조
에이전트 8종(대화형/프로그래머 C·S/디자이너/설계자/기획자/QA/PD/PM)에게 [공통 기본 능력 + 롤별 Specialty] 2층으로 지식을 주입하기 위한 재분류. 문서 내용·포맷은 무수정, 폴더 이동만 (6,372개 문서 수 보존 확인). - Topic_Programming → Domain_Programming (내부 구조 보존) - Topic_Graphic → Domain_Design - Topic_Business → Domain_Product - Topic_General → Domain_General - _Common 신설: Math(구 Topic_Math_Specialty), Reasoning(구 General/From_Thinking & Reasoning), Reasoning_Creativity(구 General/From_창의성), Communication(Poetic_Blog_Writing + From_writing) - 타 도메인의 From_* 폴더는 유지 (출처 표기일 뿐, 이미 도메인에 맞게 분류된 문서) - 빈 폴더 정리 (memory/procedures) - 에이전트→폴더 매핑은 workspace의 .astra/agent-knowledge-map.json (9개 에이전트) Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,233 @@
|
||||
---
|
||||
id: wiki-2026-0508-ieee-p36521
|
||||
title: IEEE P3652.1 (Federated ML Standard)
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [IEEE 3652.1-2020, IEEE Federated ML Standard, P3652.1]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [federated-learning, ieee, standards, privacy, ml]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: flower-pysyft
|
||||
---
|
||||
|
||||
# IEEE P3652.1 (Federated ML Standard)
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 federated learning 의 첫 공식 표준 — 누가 누구와 무엇을 어떻게 공유하는지를 정의한다"**. IEEE 3652.1-2020 (Guide for Architectural Framework and Application of Federated Machine Learning) 은 WeBank/Tencent/Microsoft 등이 주도해 horizontal/vertical/federated transfer learning 의 분류, 참여자 역할, 보안 요구사항을 표준화한 첫 공식 문서로, 현재 GDPR/HIPAA/금융권 cross-silo 학습의 reference 가 되었다.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 3 가지 federated learning 분류 (3652.1)
|
||||
- **Horizontal FL (HFL)**: 같은 feature space, 다른 sample (예: 여러 병원의 동일 항목 환자 데이터).
|
||||
- **Vertical FL (VFL)**: 같은 sample 일부, 다른 feature (예: 은행 + 이커머스가 공통 고객의 다른 속성).
|
||||
- **Federated Transfer Learning (FTL)**: feature/sample 둘 다 부분 겹침 — transfer learning 결합.
|
||||
|
||||
### 매 참여자 역할
|
||||
- **Data Owner / Client**: 로컬 데이터 보유, 로컬 학습 수행.
|
||||
- **Coordinator / Aggregator**: 모델 파라미터/그래디언트 집계 (FedAvg 등).
|
||||
- **Auditor**: privacy/compliance 검증.
|
||||
- **Model Consumer**: 최종 모델 사용자.
|
||||
|
||||
### 매 보안/프라이버시 요구사항
|
||||
- secure aggregation (cryptographic) 권장.
|
||||
- differential privacy 옵션.
|
||||
- 통신 채널 암호화 (TLS 1.3+).
|
||||
- model inversion / membership inference 위험 평가.
|
||||
- audit log + reproducibility.
|
||||
|
||||
### 매 응용
|
||||
1. Cross-hospital 의료 영상 모델 (HFL).
|
||||
2. 은행 + 통신사 신용평가 (VFL).
|
||||
3. 모바일 키보드 next-word prediction (Gboard, HFL on-device).
|
||||
4. 광고 conversion modeling (clean room + FL).
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### 1. Flower (FL framework) — HFL 클라이언트
|
||||
```python
|
||||
import flwr as fl
|
||||
import torch
|
||||
|
||||
class HospitalClient(fl.client.NumPyClient):
|
||||
def __init__(self, model, train_loader, val_loader):
|
||||
self.model, self.train, self.val = model, train_loader, val_loader
|
||||
|
||||
def get_parameters(self, config):
|
||||
return [v.cpu().numpy() for v in self.model.state_dict().values()]
|
||||
|
||||
def set_parameters(self, params):
|
||||
sd = {k: torch.tensor(v) for k, v in zip(self.model.state_dict(), params)}
|
||||
self.model.load_state_dict(sd, strict=True)
|
||||
|
||||
def fit(self, params, config):
|
||||
self.set_parameters(params)
|
||||
train_one_epoch(self.model, self.train)
|
||||
return self.get_parameters({}), len(self.train.dataset), {}
|
||||
|
||||
def evaluate(self, params, config):
|
||||
self.set_parameters(params)
|
||||
loss, acc = eval_model(self.model, self.val)
|
||||
return float(loss), len(self.val.dataset), {"acc": acc}
|
||||
|
||||
fl.client.start_numpy_client(server_address="agg.example:8443", client=HospitalClient(...))
|
||||
```
|
||||
|
||||
### 2. FedAvg aggregator (Flower server)
|
||||
```python
|
||||
import flwr as fl
|
||||
strategy = fl.server.strategy.FedAvg(
|
||||
min_fit_clients=5, min_available_clients=5,
|
||||
fraction_fit=1.0, fraction_evaluate=1.0,
|
||||
)
|
||||
fl.server.start_server(
|
||||
server_address="0.0.0.0:8443",
|
||||
config=fl.server.ServerConfig(num_rounds=20),
|
||||
strategy=strategy,
|
||||
)
|
||||
```
|
||||
|
||||
### 3. Secure aggregation (PySyft / Flower SecAgg+)
|
||||
```python
|
||||
from flwr.common import SecAggPlusWorkflow
|
||||
workflow = SecAggPlusWorkflow(
|
||||
num_shares=3, reconstruction_threshold=2, max_weight=16384,
|
||||
)
|
||||
# server: clients 가 mask 적용 후 전송 — server 는 합계만 복원, 개별 불가
|
||||
```
|
||||
|
||||
### 4. Differential Privacy (Opacus)
|
||||
```python
|
||||
from opacus import PrivacyEngine
|
||||
engine = PrivacyEngine()
|
||||
model, optimizer, train_loader = engine.make_private_with_epsilon(
|
||||
module=model, optimizer=optimizer, data_loader=train_loader,
|
||||
target_epsilon=3.0, target_delta=1e-5, epochs=10, max_grad_norm=1.0,
|
||||
)
|
||||
```
|
||||
|
||||
### 5. VFL — split learning skeleton (PyTorch)
|
||||
```python
|
||||
# Bank: bottom model on transactions
|
||||
class BottomBank(nn.Module):
|
||||
def forward(self, x): return self.net(x) # -> embed_bank
|
||||
|
||||
# Telco: bottom model on call patterns
|
||||
class BottomTelco(nn.Module): ... # -> embed_telco
|
||||
|
||||
# Aggregator (top): concat + classify
|
||||
class Top(nn.Module):
|
||||
def forward(self, eb, et): return self.head(torch.cat([eb, et], dim=-1))
|
||||
# 학습: client 는 embed 만 송신, gradient 만 수신
|
||||
```
|
||||
|
||||
### 6. Audit log (3652.1 Annex B 권장)
|
||||
```json
|
||||
{
|
||||
"round": 7,
|
||||
"ts": "2026-05-10T09:00:00Z",
|
||||
"participants": ["hosp-a", "hosp-b", "hosp-c"],
|
||||
"aggregation": "FedAvg",
|
||||
"secagg": "SecAgg+",
|
||||
"dp": { "epsilon": 3.0, "delta": 1e-5 },
|
||||
"model_hash": "sha256:...",
|
||||
"signed_by": "ed25519:..."
|
||||
}
|
||||
```
|
||||
|
||||
### 7. Cross-silo deployment (Kubernetes manifest 일부)
|
||||
```yaml
|
||||
apiVersion: apps/v1
|
||||
kind: Deployment
|
||||
metadata: { name: fl-client-hospA, namespace: hospital-a }
|
||||
spec:
|
||||
template:
|
||||
spec:
|
||||
containers:
|
||||
- name: client
|
||||
image: registry/fl-client:1.4
|
||||
env:
|
||||
- { name: AGGREGATOR_URL, value: "https://agg.consortium.example:8443" }
|
||||
- { name: TLS_CA, valueFrom: { secretKeyRef: { name: ca, key: ca.crt } } }
|
||||
- { name: SITE_ID, value: "hosp-a" }
|
||||
volumeMounts:
|
||||
- { name: data, mountPath: /data, readOnly: true }
|
||||
```
|
||||
|
||||
### 8. Membership inference attack 검증
|
||||
```python
|
||||
# attacker tries to infer if a sample was in training set
|
||||
def attack_score(model, x):
|
||||
with torch.no_grad():
|
||||
return model(x).softmax(-1).max().item()
|
||||
# 학습 / 비학습 sample 의 score 분포 차이 → AUC 0.5 에 가까울수록 안전
|
||||
```
|
||||
|
||||
### 9. participant onboarding checklist
|
||||
```yaml
|
||||
participant: hospital-c
|
||||
checklist:
|
||||
- data_governance_signed: true
|
||||
- dpa_signed: true
|
||||
- tls_cert_valid_until: 2027-01-01
|
||||
- schema_version: v3
|
||||
- feature_alignment_test: passed
|
||||
- privacy_budget_allocated: { epsilon: 5.0, delta: 1e-5 }
|
||||
```
|
||||
|
||||
### 10. FATE (WeBank reference impl) job (KubeFATE)
|
||||
```yaml
|
||||
# horizontal_lr.yaml
|
||||
component_parameters:
|
||||
common:
|
||||
homo_lr_0:
|
||||
penalty: L2
|
||||
max_iter: 30
|
||||
learning_rate: 0.1
|
||||
role:
|
||||
guest: { "0": { reader_0: { table: { name: hosp_a, namespace: hetero } } } }
|
||||
host: { "0": { reader_0: { table: { name: hosp_b, namespace: hetero } } } }
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| 같은 schema, 여러 사이트 | HFL (FedAvg) |
|
||||
| 같은 user, 다른 feature | VFL (split learning) |
|
||||
| 일부 겹침 | FTL |
|
||||
| 모바일 device 수만 명 | Cross-device FL (Flower / TFF) |
|
||||
| 규제 산업 cross-org | 3652.1 + SecAgg + DP + audit log |
|
||||
|
||||
**기본값**: Cross-silo (수십 사이트) 는 Flower + SecAgg+ + DP(eps≤8) + 3652.1 audit log.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Federated-Learning]]
|
||||
- Adjacent: [[Differential-Privacy]] · [[GDPR]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 3652.1 의 분류 (HFL/VFL/FTL) 매핑, audit log schema 초안, threat model checklist.
|
||||
**언제 X**: 실제 cryptographic protocol 구현 — 검증된 lib (Flower, FATE) 사용, LLM 자작 금지.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **secagg 없는 raw gradient 송신**: gradient inversion 으로 raw data 복원 가능.
|
||||
- **DP 없이 over-fitting model 공개**: membership inference 위험.
|
||||
- **audit log 미보존**: 규제 incident 시 책임 분리 불가.
|
||||
- **schema drift 무시**: client 마다 다른 feature order → silent corruption.
|
||||
- **drop-out client 처리 누락**: SecAgg 가 reconstruction_threshold 미달 시 round 실패.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (IEEE 3652.1-2020 official PDF, Flower docs 1.x, FATE docs 2026).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — 3652.1 분류 + Flower/FATE 패턴 + SecAgg/DP |
|
||||
Reference in New Issue
Block a user