이 연구는 클라이언트 데이터를 재학습 없이 정확히 삭제하는 연합 언러닝(federated unlearning) 시스템이 삭제 후 방송하는 갱신된 선형 분류기가 오히려 삭제 전 압축 요약 정보를 노출할 수 있음을 보였다. 악의적 클라이언트가 알려진 변경을 제출하고 반환된 분류기로 서버 상태를 식별한 뒤 특정 삭제 전후 상태를 비교하면 삭제된 샘플·클래스·클라이언트 요약이 드러나 재삽입까지 가능해진다. 저자들은 관측치가 충분한 독립 정보를 담는 조건을 규명하고 무제한 프로브에 대한 최적 공격 구성과 공격자 자신의 데이터로 구성한 더 현실적인 추정기를 제시했다. MNIST와 CIFAR-10 실험에서 고정밀 방송은 두 프로브 방식 모두에서 모든 테스트 샘플 삭제에 대해 정확한 라벨 복구를 가능케 했으나, 저정밀 방송은 세밀한 복구를 크게 저해하고 다양성이 부족한 응답은 식별 자체를 막았다.

• •연합 언러닝의 삭제 후 갱신 분류기 방송이 삭제된 데이터의 숨겨진 요약 정보를 노출할 수 있음을 증명
• •악의적 클라이언트가 삭제 전후 서버 상태를 비교해 삭제된 샘플·클래스·클라이언트를 식별, 재삽입까지 가능
• •MNIST·CIFAR-10 실험에서 고정밀 방송 시 모든 테스트 삭제 샘플의 라벨을 정확히 복원
• •저정밀 방송이나 낮은 응답 다양성은 이런 복원·식별을 크게 저해하는 실질적 방어 요인으로 확인