フェデレーテッドラーニング（FL）を用いた大規模モデル適応は、パラメータ効率の良いファインチューニング技術によって支えられ、多様なユースケースに対応しています。しかし、この分散学習パラダイムは、特にクライアントのローカルトレーニングステップで悪意のある動作を注入することを狙ったバックドア攻撃など、複数のセキュリティ脅威に直面しています。本研究では、LoRA（Low-Rank Adaptation）がFLにおけるモデル適応を狙ったバックドア攻撃に与える影響を初めて分析しました。特にバックドアのライフスパンに焦点を当てており、攻撃シナリオや攻撃者の注入能力に応じて変動します。実験の結果、最適に注入されたバックドアでは、LoRAのランクが低いほど、攻撃後のバックドアの持続性が高くなることが示されました。この研究は、FLに対するバックドア攻撃の評価の課題を浮き彫りにしており、より強固で公正な評価の開発に寄与し、重要なFLシステムのリスク評価の信頼性を向上させることを目指しています。