다기관 전자 건강기록(EHR)을 이용한 안전한 사망률 위험 예측을 위한 적대적 강제 연합학습

요약

본 연구는 다기관 전자 건강기록을 활용한 사망 위험 예측을 위한 대립적-강인 연합학습(AR-FL) 모델을 제안합니다. 이 모델은 최소-최대 대립 훈련, 도메인 인식 주의, 프라이버시 보호 집계를 통합하여 견고성, 적응성, 데이터 기밀성을 향상시켜, 이기종 의료 환경에 적합한 안전하고 신뢰할 수 있으며 일반화 가능한 임상 의사결정 지원 시스템을 가능하게 합니다.

초록

전자 건강 기록(EHR)은 데이터 기반 임상 의사결정을 가능하게 하는 주요 데이터 출처입니다. 하지만 EHR의 민감한 특성과 의료 분야의 엄격한 개인정보 보호 정책으로 인해 중앙집중식 모델 교육이 어렵거나 불가능합니다. 원래 EHR 데이터를 공유하지 않고 서로 다른 기관에서 환자 사망 위험을 예측하기 위해 적대적으로 강인한 연합학습(AR-FL) 모델이 제안되었습니다. 본 연구의 주요 목적은 다양한 임상 환경에서 프라이버시를 보호하고 적대적으로 회복력 있는 예측 모델을 훈련할 수 있는 안전하고 재현 가능하며 확장 가능한 절차를 도입하는 것입니다. 본 연구는 각 기관에서 최악의 섭동에 대한 견고성을 높이기 위해 최소-최대 대립적 훈련 방식을 사용합니다. 도메인 인식 주의 메커니즘도 활용하여 기관 내 임상 특징 분포의 차이에 동적으로 적응합니다. 기밀성을 위해 모델 업데이트는 연합 통신 중 민감한 환자 데이터 노출을 차단하는 개인정보 보호 방법으로 통합됩니다. 이 연구는 데이터 전처리와 적대적 예제 생성부터 로컬 학습, 안전한 집계, 글로벌 모델 평가에 이르기까지 전체 과정을 명확히 하여 다양한 의료 환경에서 일관된 구현을 가능하게 합니다. 실험적 검증 결과, AR-FL 모델이 우수한 예측 성능, 적대적 견고성, 그리고 기관 간 일반화를 달성함을 보여줍니다. 표준화된 교육 및 평가 파이프라인을 구축함으로써, 이 연구는 신뢰할 수 있고 윤리적으로 준수하는 임상 의사결정 지원 시스템 개발을 지원합니다.

서론

Federated Learning(FL)은 원시 환자 정보를 공유하지 않고도 분산형 전자 건강 기록(EHR) 데이터를 통한 협업 모델 학습을 가능하게 함으로써 개인정보 보호 의료 분석의 혁신적 패러다임으로 부상했습니다. 이 접근법은 데이터 사일로와 규제 제약을 완화하면서 사망률 예측과 같은 작업에서 예측 성능을 향상시킵니다. 하지만 이러한 장점에도 불구하고, FL 시스템은 적대적 공격과 독 공격에 여전히 취약합니다. 그림 1 은 분산된 임상 기관 간 연합 학습의 협력적 구조와 워크플로우를 보여줍니다.

그림 1: 일반적인 연합 학습 아키텍처 및 의료 영상 응용. 이 그림은 표준 연합 학습 워크플로우를 보여주며, 분산형 데이터 저장, 로컬 모델 학습, 안전한 서버 측 집계와 의료 영상 분석 분야에서의 응용을 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

최근 의료 분석 분야의 발전은 대규모 EHR 데이터를 처리하는 데 있어 딥러닝 모델의 효율성을 강조합니다. 이전 연구¹ 에서는 딥러닝이 원시 임상 데이터를 활용해 정확하고 확장 가능한 예측을 달성할 수 있음을 입증했습니다. 더 나아가 Miotto 등은 의료 시스템에서 딥러닝 도입과 관련된 더 넓은 기회와 도전 과제를 ^{검토했습니다.} 또한 ClinicalBERT³ 와 같은 도메인별 혁신은 임상 텍스트 이해와 예측 능력을 향상시켰으며, MIMIC-III⁴, MIMIC-IV⁵ , eICU⁶ 등 벤치마크 데이터셋은 중환자 치료 연구에서 재현 가능하고 대규모 평가를 가능하게 했습니다.

연합 학습은 데이터 프라이버시를 훼손하지 않으면서 협력적 의료 분석을 가능하게 하는 솔루션으로 큰 주목을 받고 있습니다. 기존 연구 ^7,8은 디지털 헬스 개발에서의 역할과 관련 도전 과제, 미해결 연구 이슈에 대해 논의했습니다. 더불어, 연합학습은 다기관 협력⁹와 COVID-19 환자에 대한 임상 결과 예측¹⁰ 등 실제 의료 상황에서 실용적 적용 가능성을 입증했습니다. 하지만 데이터 이질성과 같은 도전 과제는 여전히 중요합니다. 이를 해결하기 위해 이기종 환경¹¹에 대한 최적화 전략과 국소 배치 정규화를 활용하는 FedBN¹²와 같은 접근법이 모델 수렴성과 일반화를 개선하기 위해 제안되었습니다.

연합 학습에서의 보안성과 견고성은 적대적 위협에 대한 노출이 증가함에 따라 중요한 관심사가 되었습니다. 적대적 예제^{개념 13}은 작은 섭동이 딥러닝 모델을 높은 신뢰도로 오도할 수 있음을 밝혔습니다. 연합 환경에서는 백도어^{공격과 모델} 중독과 같은 위협으로 이러한 취약점이 악화됩니다. 이러한 위험을 해결하기 위해 적대자 복원력 있는 클러스터 연합 학습 접근법과 적대적 훈련 기반의 견고한 최적화 기법이 제안되었습니다^15,16. 또한, 중간자 공격을 완화하기 위해 그라디언트 부스트링과 LSTM 모델¹⁷을 통합한 보안 통신 프레임워크가 개발되었습니다. 동시에 DBAFL^18,19와 같은 고급 아키텍처는 분산 환경에서 독 공격을 방어하는 것을 목표로 합니다.

프라이버시 보호는 연방 의료 시스템에서 여전히 근본적인 요구사항입니다. 협력적으로 학습된 모델이 GAN 기반 공격을 통해 민감한 정보를 유출할 수 있으며, 이는 내재된 프라이버^{시 위험을 부}각시킵니다. 이러한 문제를 완화하기 위해 분산 학습의 기밀성을 보장하기 위해 보안 집계 프로토콜²¹과 차별적 프라이버시 기법²²가 도입되었습니다. 또한, 안전한 EHR 관리 및 데이터 공유를 위해 블록체인 기반 솔루션^23,24가 제안되었으며, 추가 연구인^{25, 26, 27}, ²⁸이 이러한 접근법을 확장하여 의료 시스템의 상호운용성, 보안 및 효율성을 향상시키고 있습니다.

의료 분야에서 인공지능의 급속한 발전은 예측 성능과 의사결정을 향상시키는 하이브리드 지능형 모델과 통합 시스템의 개발로 이어졌습니다. 이전 연구들은 또한 의학에서 AI의 변혁적^{역할과 기계} 학습 시스템 내 적대적 공격 및 방어 메커니즘에 대해 논의했습니다^29,30.

이러한 발전에도 불구하고 기존 연구는 여전히 단편화되어 있습니다. 많은 연합 학습 모델은 적대 강인성을 통합하지 못해 공격에 취약합니다. 또한, 도메인 이질성은 종종 충분히 다뤄지지 않아 기관 간 일반화가 제한됩니다. 프라이버시 보호 메커니즘은 견고성 및 도메인 적응 전략과 통합되지 않은 채 고립적으로 구현되는 경우가 많아, 의료 AI 시스템이 불완전하고 신뢰성이 떨어집니다. 이러한 한계를 해결하기 위해 본 논문은 적대적 훈련, 도메인 인식 주의 메커니즘, 안전한 집계를 결합한 통합 적대적 강인 연합 학습 프레임워크를 제안합니다. 제안된 접근법은 공격에 대한 견고성을 높이고, 이기종 임상 환경 간 적응성을 향상시키며, 환자 데이터 프라이버시를 보장하여 실제 다기관 의료 애플리케이션에 대한 포괄적인 솔루션을 제공합니다.

프로토콜

제안된 방법론
제안된 적대적 강성 연합학습(AR-FL) 모델은 서로 다른 의료 기관 간에 환자 사망 위험을 안전하고 협력적으로 예측하는 동시에 데이터 프라이버시를 보호하고 시스템을 적대적 교란에 강하게 만드는 것을 목표로 합니다. 배포에는 네 가지 주요 요소가 포함됩니다: (1) 연합 학습 구조, (2) 최적화 기반의 최소-최대 대립적 훈련, (3) 도메인 인식 주의 메커니즘, (4) 개인정보 보호 매개변수 집계. 이 방법론은 사망 위험을 추정하기 위해 적대적이고 강인한 연합 학습을 위한 체계적인 흐름으로 실행됩니다. 그림 2에 나타난 이 과정은 여러 의료 기관에서 데이터 수집으로 시작하며, 이후 특징을 표준화하고 누락 값을 처리하기 위한 데이터 전처리가 이루어집니다. 글로벌 모델은 처음에 중앙 서버에 의해 생성되고 모든 의료 기관에 전송됩니다. 지역 적대적 훈련은 의료 기관 내에서 이루어지며, 이는 모델의 교란에 대한 견고성을 높이고 도메인 특화 데이터에 적응할 수 있게 합니다. 학습 후에는 로컬 모델의 매개변수가 안전한 매개변수 집계를 통해 서버에 안전하게 전달됩니다. 서버는 이러한 로컬 모델 기여를 통합하여 글로벌 모델을 업데이트합니다. 이 과정은 모델의 협업적 정제를 용이하게 하기 위해 반복 최적화를 통해 여러 번 반복됩니다. 그 결과, 모델은 예측 성과, 대립적 견고성, 기관 간 일반화를 평가하는 임상 벤치마크를 사용하여 엄격히 평가됩니다.

그림 2: 제안된 AR-FL 모델. 이 그림은 제안된 적대적-강인 연합학습 모델의 전체 아키텍처를 제시하며, 여기에는 적대적 훈련, 도메인 인식 주의, 프라이버시 보호 보안 집계를 포함합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

자료 수집
본 연구에서는 공개적으로 접근 가능한 전자 건강 기록(EHR) 데이터셋 두 가지를 활용하는데, MIMIC-III⁴ 와 eICU 협력 연구 데이터베이스⁶입니다. MIMIC-III는 단일 주요 병원에서 40,000건 이상의 ICU 입원을 제공하는 반면, eICU 데이터는 미국 내 여러 병원에서 20만 건 이상의 ICU 입원을 포함합니다. 해당 환자 인구통계, 임상 측정, 실험실 검사 결과, 차트화된 사건, 그리고 이 데이터 스트림에 기록된 결과는 사망 위험 예측 과제에 매우 매력적입니다. EHR 데이터셋은 각각 여러 부분으로 나뉘어 현실적인 다기관 연합 학습 환경을 형성합니다; 각 부분은 서로 다른 병원이나 기관을 나타냅니다. 이 방법은 기관 간 환자의 특성, 임상 프로토콜, 문서 작성 스타일, 데이터 가용성 차이를 포착합니다. 각 시뮬레이션 기관은 자신의 데이터 하위 집합에만 접근할 수 있으며, 중앙 서버나 다른 참여 클라이언트와 원시 기록을 공유하지 않습니다. 이 접근법은 프라이버시 보호 원칙을 완전히 준수하는 동시에 병원 간 협력의 실제 한계를 시뮬레이션합니다. 사망률 라벨은 병원 내 사망률 지표와 같은 데이터셋에 표시된 결과 필드에서 추출됩니다. 이 라벨들은 연합학습 모델의 예측 타깃 역할을 합니다. 따라서 각 기관은 사망 결과와 관련된 자체 지역 환자 특징 기록 세트를 유지하여, 민감한 환자 정보를 공개하지 않고 분산된 모델 교육을 가능하게 합니다.

데이터 전처리
모든 기관은 모델 훈련이 시작되기 전에 독립적으로 지역 EHR 데이터를 처리합니다. 연합학습은 참여 기관 간 환자 수준 데이터나 요약 통계 공유를 허용하지 않기 때문에, 모든 전처리 단계는 각 기관에서 현지에서 수행되며 해당 기관 데이터셋 내 정보만을 기반으로 합니다. 전처리 과정은 몇 가지 중요한 단계로 이루어져 있습니다. 처음에는 활력 징후, 실험실 검사 결과, 생리학적 측정과 같은 임상 수치 변수를 정규화하여 값 범위 차이를 제거하고 모델 수렴을 안정화합니다. 각 기관의 지역 데이터는 정규화에 사용되는 통계를 계산하는 유일한 출처입니다. 다음으로, 성별, 입학 유형, 진단 범주와 같은 범주 속성을 원핫 인코딩이나 기관별 매핑과 같은 방법으로 수치 표현으로 변환합니다. 따라서 연합 모델은 공유 인코딩 사전이나 기관 간 참조 표 없이도 범주별 데이터를 처리할 수 있습니다. 셋째, 임상 데이터셋에서 흔히 발생하는 누락 데이터는 국소 보충 기법을 사용하여 처리됩니다. 특징 유형과 임상 맥락에 따라 기관들은 평균 보철, 이전 관찰에 기반한 포워드 필링, 또는 규칙 기반 임상 대체 방식을 사용할 수 있습니다. 각 기관이 독립적으로 인보 값을 수행하기 때문에 외부 메타데이터나 공유 인보 매개변수가 필요하지 않습니다. 이 절차를 거쳐 각 기관은 관련 사망 결과를 포함한 완전한 처리 특징 데이터셋을 생성할 수 있습니다. 이 로컬 데이터셋은 연합 모델 학습의 입력으로 사용됩니다. 전체 전처리 파이프라인 전반에 걸쳐 원시 데이터, 파생 통계, 중간 출력물이 기관 외부로 전송되지 않아 개인정보 보호 데이터 관리 관행을 엄격히 준수합니다.

모델 초기화
K {1, 2,..., K}를 각 기관이 로컬 데이터셋을 가진 관련 기관(클라이언트)들의 집합이라고 하자. { 는 입력된 EHR 특징을 나타내고, 는 관련 사망 라벨(이진 또는 범주형)입니다. 전역 모델은 모든 클라이언트에서 협력적으로 학습되며, 여기서 θ는 공유 모델 매개변수입니다.

이 과정은 표준 연합평균(FedAvg) 프로토콜을 따릅니다:
중앙 서버는 전역 매개변수를 초기화하고 이를 방송합니다. 각 클라이언트 k∈K는 데이터를 사용해 로컬 학습을 수행하고 모델을 로 업데이트합니다 . 서버는 가중 평균을 취하여 업데이트를 결합합니다:

^, 여기서 n =

중앙 서버 초기화 절차와 로컬 훈련 단계는 T라운드 글로벌 통신 라운드에서 진행됩니다.

국소 적대적 훈련(최소-최대 최적화)
견고성을 높이기 위해 각 고객은 지역 현장에서 대립 교육을 실시합니다. 깨끗한 데이터에 대한 경험적 위험을 최소화하기보다는, 클라이언트는 최소한의 문제를 겪습니다:

(x+δ),y)

L: 손실 함수
δ: 다음 조건에 제약받는 적대적 섭동
S: 적대적 위협 공간
(x+δ): 교란 입력 하에서의 예측

각 국지적 시기마다 대립 샘플이 투영 경배 하강(PGD) 또는 빠른 구배 기호법(FGSM)을 사용하여 생성됩니다. 그 후 모델의 학습은 이 샘플들을 사용하여 견고성을 높이기 위해 진행됩니다.

도메인 인식 주의 메커니즘
기관마다 전자 건강 기록(EHR) 데이터는 데이터 분포, 특징 의미론, 임상 실무 측면에서 크게 다를 수 있습니다. 이 문제를 해결하기 위해 AR-FL 모델은 도메인별 주의 모듈을 모델에 통합합니다.

기관 k의 입력 벡터를 라고 하   자. 각 특징 j∈ {1..., d}의 주의 가중 치는 다음과 같이 계산됩니다:

=

여기서 는 훈련 가능한 주의 가중치입니다. 입력값은 다음과 같이 재가중치됩니다:

이 메커니즘을 통해 모델은 기관에서 사용하는 데이터의 성격에 따라 임상 실무에 중요한 특성을 강조하여 적응성과 해석 가능성을 높입니다.

프라이버시 보존 매개변수 집계
AR-FL은 통신 중 최고 수준의 프라이버시를 유지하기 위해 매우 안전한 집계와 차별화된 프라이버시 기술을 함께 사용합니다. 보안 집계: 사용자는 모델의 업데이트를 암호화하여 서버가 총액만 계산할 수 있고 개별 기여도는 계산할 수 없도록 합니다.

차별적 프라이버시: 모델 업데이트에 소음을 더합니다:

σ 프라이버시와 정확성의 균형을 통제하는 곳.

분산 업데이트 과정에서 이러한 접근법은 개인 환자 데이터나 기관 정보가 유출될 위험이 없도록 보장합니다.

글로벌 모델 업데이트
각 기관에서 로컬 교육 단계가 완료되면, 중앙 서버는 클라이언트가 제출한 모델 업데이트를 수집합니다. 이 업데이트는 모델 매개변수 변경에만 해당하며, 원시 환자 데이터나 중간 특징 표현은 포함하지 않습니다. 여러 기관에서 얻은 지식을 통합하기 위해 서버는 연합평균 기법(FedAvg) 방식을 적용합니다. 이 과정에서 서버는 각 기관에서 이용 가능한 데이터의 양을 바탕으로 지역 모델의 가중 평균을 계산합니다. 더 큰 데이터셋을 기여하는 기관이 업데이트된 글로벌 모델에 비례적으로 더 큰 영향을 미칩니다. 업데이트가 안전한 집계 기법을 통해 전송되었기 때문에, 서버는 개별 기관의 매개변수를 확인하거나 격리할 수 없습니다. 대신, 서버는 암호화된 또는 개인정보 보호가 된 결합된 표현만 받습니다. 이는 교육 과정의 비밀성을 보장하고, 발견되었을 수 있는 기관 특유의 패턴이나 환자 특성의 삭제를 보장합니다. 집계된 업데이트를 계산한 후, 서버는 해당 통신 라운드에서 모든 협력 기관에서 획득한 총 지식을 나타내는 새로운 글로벌 모델을 준비합니다. 새로운 글로벌 모델은 다음 라운드의 지역 대립 훈련을 위해 모든 기관으로 다시 보내집니다.

반복적 최적화
연합 학습은 여러 차례의 소통 과정을 포함하는 다단계 과정입니다. 각 라운드는 로컬 모델의 훈련, 안전한 업데이트 전송, 전역 집계, 그리고 개선된 모델의 후속 배포로 구성됩니다. 반복 라운드는 모델이 점차 견고하고 안정적인 해로 나아가는 데 도움을 줍니다. 이 라운드에서 각 조직은 환자 집단에 대한 지식을 활용하여 다양한 환경에서 임상 패턴을 식별할 수 있는 모델을 만듭니다. 대립적 훈련과 도메인 인식 주의 메커니즘은 각 라운드에서 국지적 훈련을 통해 때때로 구현된다는 점에 유의해야 합니다. 따라서 모델은 지속적으로 다듬어지고 있으며, 적대적 공격에 대응하는 능력이 증가하고, 기관 간 다양한 특징 분포에 적응하는 능력도 향상됩니다. 반복적 최적화를 통해 모델은 일반화 성능을 향상시킬 뿐만 아니라 데이터 불균형, 제도적 변동, 적대적 환경에 대해 점점 더 관용성을 갖게 됩니다. 이 절차는 미리 정해진 통신 라운드 수에 도달하거나 전역 모델이 안정적인 수렴을 나타낼 때까지 계속됩니다.

평가
모든 커뮤니케이션 라운드가 끝나면, 참가자들의 데이터셋에서 도출된 공개된 테스트 세트를 사용하여 최종 글로벌 모델을 철저히 평가합니다. 이 테스트 세트는 모델 학습에 사용되지 않기 때문에 모델 성능을 공정하고 편견 없이 측정할 수 있습니다. 모델 효과는 여러 각도에서 다양한 지표를 계산함으로써 평가됩니다. 클린 정확도는 정상적인 조건이 존재하는 상황을 평가합니다. 이 도구는 사망률 결과를 예측하는 모델의 정확성을 측정합니다. 반면, 적대적 정확도는 입력 데이터가 적대적으로 변경되었음에도 모델이 성능을 유지할 수 있는 정도를 추정합니다. 수신자 작동 특성(ROC) 곡선(AUC-ROC) 아래 면적은 모델이 생존 환자와 사망 환자를 구별하는 능력에 대한 통찰을 제공합니다. F1 점수는 정확성-회상 관계의 지표로서, 특히 불균형 임상 데이터셋에서 중요합니다. 일반화 격차는 기관별로 성과 차이를 드러내며, 다양한 데이터 소스에 적응하는 모델의 유연성을 보여줍니다. 프라이버시 위험은 마지막으로 시뮬레이션된 적대적 공격을 통해 정량화되는데, 이는 안전한 집계와 선택적 차별 프라이버시가 환자 기밀 보호에 실제로 효과적인지 확인합니다. 이 모든 평가 지표를 결합하면 모델의 예측 능력, 적대적 공격에 대한 저항성, 다양한 기관 간 안정성, 그리고 개인정보 보호 요건 준수 여부를 포괄적으로 보여줍니다. 아래 알고리즘 1(보조 파일 1)은 사망 위험 예측을 위한 적대적 강인 연합학습(AR-FL)을 보여줍니다.

결과

AR-FL 모델은 두 개의 공개 식별 해제 다기관 전자 건강 기록(EHR) 데이터셋인 MIMIC-III와 eICU 협력 연구 데이터베이스에서 테스트되었으며, 이 데이터베이스에는 병원 내 사망률 결과가 포함된 다양한 ICU 환자 기록이 포함되어 있습니다. 데이터셋은 병원 간 데이터 특성에 관한 실제 차이를 나타내는 시뮬레이션된 병원 시나리오에 분산 배치되었습니다. 각 고객(기관)별로 별도의 모델이 자체 사설 EHR 데이터를 사용해 학습되었고, 집계된 글로벌 모델은 차등 프라이버시를 적용한 안전한 평균을 통해 얻어졌습니다.

실험 장치
AR-FL 모델 평가는 시뮬레이션된 연합 클라이언트 전반에 걸쳐 일관되고 재현 가능하며 계산적으로 견고한 실험 환경을 사용하여 수행되었습니다. 모델 개발, 적대적 훈련, 연합 최적화 전 과정은 PyTorch와 NVIDIA Tesla V100 GPU를 사용하여...

토론

본 논문은 다기관 전자 건강기록(EHR)을 활용하여 정확성, 견고성, 일반화 가능성을 향상시켜 사망 위험 예측을 향상시키는 대립적-강인 연합학습(AR-FL) 모델을 제시합니다. 이 연구는 연합 환경에 적대적 훈련을 통합함으로써 모델이 서로 다른 기관 간 입력 교란과 도메인 변동성에 더 강하게 증가하여 큰 이점을 얻을 것임을 밝혔습니다. 이 새로운 결과들은 이전 결과들과 일치하는데, 이전 결과들은 대립적 최적화가 임상^{예측 작업 중} 모델의 안정성을 향상시키고, 연합 학습이 환자 프라이버시를 보장하면서 다센터 협력을 가능하게 한다는 것을 보여주었습니다. 도메인 인식 주의 메커니즘은 기관별 패턴에 대한 특징 수준 적응을 가능하게 하여 모델을 더욱 강화하는데, 이는 도메인 이동 완화가 EHR 기반^{모델링에서} 예측 신뢰도를 실제로 높인다는 문헌과 일치합니다. 이러한 기여는 AR-FL이 환자 프라이...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
아담 옵티마이저	파이토치	https://pytorch.org/docs/stable/generated/torch.optim.Adam.html	최적화
CUDA 툴킷	엔비디아	https://developer.nvidia.com/cuda-toolkit	버전 11.8; GPU 가속
차별 개인정보 보호 도서관	오파커스	https://opacus.ai	버전 1.3.0; DP 기반 개인정보 보호 교육
eICU 협력 연구 데이터베이스	피지오넷	https://physionet.org/content/eicu-crd/2.0/	중환자실 환자 EHR 데이터
미믹-III	피지오넷	https://physionet.org/content/mimiciii/1.4/	중환자실 환자 EHR 데이터
PGD 어택 스크립트	깃허브	https://github.com/Saswati-C/AR-FL-HER	버전: 커밋 해시; 대립적 예제 생성
파이토치	PyTorch.org	https://pytorch.org	버전 2.0; 모델 구현 및 교육
테슬라 V100 GPU	엔비디아	https://www.nvidia.com/en-us/data-center/v100/	모델 훈련