본 논문은 연합 학습(FL)에서의 테스트 시간 일반화 문제를 해결하기 위해 새로운 시나리오인 TGFL(Test-time Generalization for Internal and External Distributions in Federated Learning)을 제시합니다. 기존의 개인화된 연합 학습(PFL)은 테스트 시 OOD(Out-Of-Distribution) 샘플에 취약한 한계를 가지는데, 본 논문에서는 이를 해결하기 위해 내부 분포(IND)와 외부 분포(EXD)에서의 적응성을 평가하는 TGFL을 제안합니다. 그리고 TGFL을 위한 베이지안 기반 테스트 시간 일반화 방법인 BTFL을 제안합니다. BTFL은 두 개의 헤드 아키텍처를 사용하여 지역 및 전역 지식을 저장하고, 이전 테스트 데이터와 현재 샘플 특징을 고려하는 이중 베이지안 프레임워크를 통해 예측을 보간하여 테스트 시 샘플 수준에서 일반화와 개인화의 균형을 맞춥니다. 실험 결과, BTFL은 다양한 데이터셋과 모델에서 기존 방법보다 향상된 성능을 더 빠른 속도로 달성함을 보여줍니다. 소스 코드는 공개적으로 제공됩니다.
