연구진은 클라이언트 데이터 이질성 및 기여도를 고려한 연합 학습 프레임워크를 제안했어요. 클라이언트별 신뢰도와 상호작용을 모델링하기 위해 조건부 확률장(CRF)을 활용했어요. 실험 결과, 데이터 이질성이 높은 환경에서 기존 연합 학습 방식 대비 성능이 향상됐어요.
CRF 추론은 글로벌 학습 목표 수렴을 돕는 클라이언트 집계 가중치를 생성해요. 클라이언트별 신뢰도와 상호작용을 모델링하여 최적의 가중치를 찾도록 설계됐어요.
본 연구는 연합 학습의 클라이언트 집계 방식에 대한 새로운 접근 방식을 제시하며, 데이터 이질성 문제가 있는 환경에서 성능 향상 가능성을 보여줘요.