본 논문은 연합 학습(FL)에서 모델 집계 후 로컬 데이터에 대한 성능이 일시적으로 저하되는 현상, 즉 집계 유발 성능 저하(aggregation-induced performance drop)에 대한 원인을 규명하고 해결책의 효과를 분석하는 연구입니다. 기존 연구들이 이 현상을 지식 공유의 불가피한 비용으로 간주한 것과 달리, 본 연구는 계층별 특징 분석 프레임워크를 통해 특징 표현의 진화 과정을 분석합니다. 분석 결과, 모델 집계는 특징의 질적 저하와 중간 특징과 후속 계층 간의 결합 약화를 야기하며, 이러한 저하는 네트워크 깊이에 따라 누적되는 현상(Cumulative Feature Degradation, CFD)을 발견했습니다. CFD는 최종 계층 이전 특징의 질을 저하시키고 분류기와의 결합을 약화시켜 성능 저하를 초래합니다. 나아가 기존의 해결책들을 분석하여 이들이 CFD를 완화함으로써 효과를 발휘한다는 것을 밝혔습니다.
