금융 및 의료와 같은 분야에서는 데이터 거버넌스에 엄격한 규제 요건이 적용되기 때문에 데이터의 교환과 활용이 특히 도전적인 과제이다. 연합 학습(Federated Learning, FL)은 여러 기관 간 협업 모델 학습을 가능하게 하면서도 데이터의 분산화를 유지할 수 있는 혁신적인 분산 기계학습 프레임워크로 부상하고 있다. 그러나 FL은 그 장점에도 불구하고 악성 공격, 특히 중앙 서버가 관리하는 모델 집계 과정에서 발생하는 오염 공격(Poisoning Attack)에 취약하다. 또한 이러한 시스템에서도 신경망 모델은 여전히 학습 데이터의 개별 샘플을 무의식적으로 기억하고, 이를 통해 개인정보가 노출될 가능성이 존재한다. 이는 공격자가 모델 내부에 포함된 정보를 활용해 개인 정보를 재구성할 수 있음을 의미하며, 심각한 개인정보 보호 위험을 초래한다. 기존의 해결 방안은 정보 유출에 완전히 대응 가능하면서도 계산 효율성이 뛰어난 개인정보 보호 기반 연합 학습(BRFL) 시스템을 제공하지 못하고 있다. 이러한 문제를 해결하기 위해 우리는 완전한 동형 암호화(Fully Homomorphic Encryption, FHE)를 활용하여 악성 클라이언트 활동에 대응하면서도 데이터 프라이버시를 보장하는 혁신적이고 계산 효율성이 높은 BRFL 프레임워크인 Lancelot을 제안한다. 의료 영상 진단 및 널리 사용되는 공개 이미지 데이터셋을 대상으로 수행한 광범위한 실험 결과에 따르면, Lancelot은 기존 방법 대비 처리 속도가 20배 이상 향상되었으며, 동시에 데이터 프라이버시를 철저히 유지함으로써 기존 기술을 크게 능가함을 입증하였다.