AI 기반 교육 시스템에서 프라이버시 보호와 정확한 인지 진단 사이의 균형을 맞추는 데는 여전히 큰 어려움이 있다. 연구진은 원본 학생 데이터나 독점 모델 내부에 접근하지 않고도 여러 상용 LLM API가 협업하는 연합 추론 프레임워크를 제안한다. LLaMA-3.3-70B, GPT-4o-mini, Claude-3-Haiku 등 여러 연합 참여자를 활용하는 이 프레임워크는 각 참여자의 예측 결과에 로컬로 라플라스 노이즈를 더하는 엡실론-지역 차분 프라이버시를 적용해 예측을 결합하고, 잔차 기반 집계로 모델 이질성을 완화한다. 이는 API 제공자가 제출된 질의를 악용하지 않는다고 가정하는 '정직하지만 호기심 있는' 신뢰 모델을 전제로 하며, 세 개의 실제 교육 벤치마크에 대한 광범위한 평가를 통해 정확도 손실을 최소화하면서도 강력한 프라이버시 보장을 제공함을 확인했다.

• •AI 교육 시스템의 프라이버시 보호와 인지 진단 정확도 간 균형을 다루는 연합 추론 프레임워크 제안
• •LLaMA-3.3-70B, GPT-4o-mini, Claude-3-Haiku 등 이종 다중 LLM API가 원본 데이터 공유 없이 협업
• •각 참여자 예측에 로컬 라플라스 노이즈를 더하는 얡실론-지역 차분 프라이버시 적용
• •잔차 기반 집계로 서로 다른 모델 간 이질성 완화
• •세 개 실제 교육 벤치마크 평가에서 정확도 손실 최소화하면서 강한 프라이버시 보장 확인