본 논문은 대규모 MIMO 시스템에서 채널 상태 정보(CSI) 피드백을 위한 딥 러닝의 통신 오버헤드, 데이터 이질성 및 개인 정보 보호에 대한 과제를 해결한다. 이를 위해, 개인화된 인코더와 LoRA-적응형 공유 디코더를 통합하는 새로운 연합 학습 프레임워크인 Fed-PELAD를 제안한다. 개인화된 인코더는 각 사용자 장비(UE)에서 로컬로 훈련되어 장치별 채널 특성을 포착하고, 공유 디코더는 Low-Rank Adaptation (LoRA)을 사용하여 기지국(BS)의 조정을 통해 전역적으로 업데이트된다. 이 설계는 전체 모델 업데이트 대신 소형 LoRA 어댑터 매개변수만 집계를 위해 전송되도록 보장한다. 수렴 안정성을 더욱 향상시키기 위해, LoRA 집계 중 보정된 학습률 비율을 갖는 교대 동결 전략을 도입했다. 3GPP 표준 채널 모델에 대한 광범위한 시뮬레이션 결과, Fed-PELAD는 기존 방법에 비해 업링크 통신 비용의 42.97%만 필요하면서도 이질적인 조건에서 CSI 피드백 정확도 측면에서 1.2dB의 성능 향상을 달성함을 보여준다.
