본 논문은 데이터 이질성이 존재하는 연합 학습의 어려움을 해결하기 위해, 학습된 결정 경계에 대한 실험적 분석을 수행합니다. 기존 방법들이 지역적 결정 경계만 학습하는 '잊어버림(forgetting)' 현상을 겪는다는 것을 발견하고, 이를 해결하기 위한 새로운 연합 학습 프레임워크 FedProj를 제안합니다. FedProj는 서버측 앙상블 지식 전달 손실을 설계하여 글로벌 결정 경계를 보정하고, 공개되지 않은 데이터셋의 평균 앙상블 로짓을 이용한 에피소딕 메모리를 활용하여 지역 학습 과정에서의 기울기 업데이트를 조절합니다. 실험 결과, FedProj가 기존 최첨단 방법들을 상당한 차이로 능가함을 보여줍니다.
