연구진은 연합 학습의 일반화와 개인화 균형을 맞추는 새로운 프레임워크 FedCoE를 제안했어요. FedCoE는 여러 독립적인 글로벌 전문가 모델을 유지하고, 클라이언트-전문가 상관관계를 모델링하여 전문가 편향과 게이팅 불일치를 완화해요.
새로운 클라이언트는 별도 튜닝 없이도 글로벌 전문가 풀을 즉시 활용할 수 있는 적응형 메커니즘을 도입하여 콜드 스타트 문제를 해결해요.
실험 결과, FedCoE는 기존 방식보다 글로벌 정확도 8.82%, 개인화 정확도 29.19% 향상되었고, 콜드 스타트 시나리오에서 12.54% 이상의 정확도 향상을 보였어요.