QNN과 Adaptive DP를 통한 프라이버시 보존형 Active Learning 구현

Context

스마트 농업 마이크로그리드 최적화를 위해 AI 학습이 필요하나, 센서 데이터 전송 시 농장 운영 패턴이 노출되는 Privacy Leakage 발생. 기존 Federated Learning은 raw 데이터는 보호하지만, Active Learning의 Uncertainty Sampling 과정에서 특정 시점의 데이터 요청이 발생하여 프라이버시 모델이 붕괴되는 한계 존재.

Technical Solution

• Edge Device 내 Quantized Neural Networks(QNN) 배치로 로컬 Prediction Entropy를 직접 계산하여 데이터 원본 대신 스칼라 값인 Entropy와 Hash만 전송하는 구조 설계
• 마이크로그리드의 물리적 제약(에너지 소비 음수 불가 등)을 준수하기 위해 Laplace Mechanism에 Clipping을 적용한 Adaptive Differential Privacy 도입
• 부하 변동성(Load Variance)에 따라 Epsilon 값을 동적으로 조정하여 데이터 안정기에는 노이즈를 줄이고 학습 효율을 높이는 메커니즘 구현
• Zero-Knowledge Proofs(ZKP)와 Falcon 서명을 프로토콜 단계부터 통합하여 모든 의사결정 과정의 Ethical Auditability 확보
• ARM Cortex-M4 프로세서 환경을 고려하여 RSA 대비 연산 속도가 빠른 Falcon Signature 적용으로 Edge단 서명 오버헤드 감소