본 논문은 연합 학습에서 이질적인 데이터 분포로 인한 모델 수렴 및 성능 저하 문제를 해결하기 위해, 각 클라이언트가 자체 로컬 데이터셋을 이용하여 계산한 지역적 특성 통계량(평균, 공분산, 고차 모멘트 등)을 활용하는 방법을 제안합니다. 이 통계량은 다른 클라이언트나 중앙 노드와 공유되지 않고, 학습 과정에서 로컬 데이터 분포에 따른 조건화 학습을 돕고, 추론 과정에서 클라이언트의 예측을 안내합니다. 실험 결과, 이 방법은 연합 학습 환경에서 이질적인 데이터를 효율적으로 처리하고, 분포 특성을 공유하는 피어 노드를 직접 식별하는 접근 방식에 비해 확장성이 우수하며, 추가적인 정보 공유 없이 개인 정보를 보호한다는 것을 보여줍니다.
