본 논문은 중앙 제어 장치 없이 복잡한 네트워크 토폴로지에서 장치들이 협력적으로 모델을 학습하는 분산형 연합 학습(DFL)에 대해 다룬다. DFL에서 로컬 데이터는 개인 정보가 보호되지만, 노드 간 데이터의 질과 양은 크게 다를 수 있다. 본 연구는 낮은 품질의 데이터가 DFL에 미치는 영향을 탐구하기 위해, 손상된 데이터가 일부 노드에 고르게 분포된 경우와 단일 노드에 집중된 경우의 두 가지 시나리오를 FedAvg의 분산 구현을 사용하여 시뮬레이션한다. 실험 결과, 평균 기반 분산 학습은 손상된 데이터가 네트워크에서 가장 영향력 있는 노드에 위치하더라도 국소적인 불량 데이터에 매우 강인하다는 것을 보여준다. 특히, 손상된 데이터가 단일 노드에 집중될 때, 통신 네트워크 토폴로지에서의 중심성에 관계없이 이러한 강인성이 더욱 향상된다는 역설적인 결과를 발견하였다. 이는 평균화 과정을 통해 어떤 단일 노드도 전체 학습 과정에 불균형적으로 영향을 미칠 수 없기 때문으로 설명된다.
