연합학습 환경에서 지연 노드의 영향을 완화하고 프라이버시를 보호하기 위한 새로운 적응형 코드 기반 방법을 제안한다.
연합학습에서 전역 모델 학습의 수렴 속도를 높이기 위해 근사 전역 Hessian 정보를 활용하여 Newton 방식의 최적화를 수행함.
이 논문은 연합학습에서 클라이언트 드리프트 문제를 해결하기 위해 모델을 저수준과 고수준으로 분리하고 고수준 모델을 유사한 특징 분포에서 학습하는 FedImpro 방법을 제안한다. 이를 통해 일반화 기여도를 높이고 경사도 유사성을 개선할 수 있다.
연합학습에서 클라이언트의 기여도를 정확하고 효율적으로 평가하는 것이 중요하다. FLContrib은 클라이언트의 과거 기여도를 고려하여 클라이언트 기여도를 평가하는 게임 이론 기반 프레임워크이다.