본 논문은 연합 학습(Federated Learning, FL)에서 도메인 이질성으로 인한 전역 모델의 수렴 문제를 해결하기 위해, 프로토타입 증강을 활용한 새로운 프레임워크인 FedAPC(Federated Augmented Prototype Contrastive Learning)를 제안합니다. FedAPC는 증강 데이터의 평균 특징으로부터 얻은 프로토타입을 활용하여 풍부한 표현을 학습하고, 지역 특징과 전역 프로토타입을 정렬함으로써 특정 도메인에 대한 과적합을 줄이고 의미 있는 의미적 특징을 학습합니다. Office-10 및 Digits 데이터셋 실험 결과, FedAPC는 기존 최고 성능(SOTA) 기법들을 능가하는 성능을 보였습니다.
