FedKPer는 의료 연합 학습에서 기관 간 통계적 이질성 문제를 해결하기 위해 지식 개인화를 도입한 새로운 방법입니다. 이 방법은 글로벌 모델과의 선택적 정렬과 수정된 집계 방식을 통해 일반화와 개인화의 균형을 맞춥니다.
FedKPer는 각 로컬 장치의 학습 단계에서 지식 개인화를 도입하고, 이후 글로벌 모델 집계 과정에서 신뢰할 수 있고 레이블이 다양한 로컬 업데이트를 강조하여 일반화를 고려합니다.
실험 결과, FedKPer는 기억력을 희생하지 않고 일반화-개인화 균형을 개선하는 것으로 나타났으며, 잊혀짐의 흔적과 관련된 추가적인 지표를 통해 성능을 평가했습니다.