본 논문은 분산 환경에서의 GAN(Generative Adversarial Networks) 학습을 위한 새로운 접근 방식을 제안합니다. 연구진은 기존의 GAN 학습에 필요한 대규모 데이터셋과 높은 연산 자원 확보의 어려움을 해결하기 위해, 분산된 데이터와 저사양 기기들을 활용하는 분산형 GAN 학습 방법을 제시합니다. 데이터 이기종성과 다중 도메인 데이터셋 문제 해결을 위해 KLD-weighted Clustered Federated Learning을, 기기 이기종성과 엄격한 데이터 공유 제약을 해결하기 위해 Heterogeneous U-Shaped split learning을 결합합니다. 이를 통해 원본 데이터나 라벨을 공유하지 않고도 모델 학습이 가능하며, 실험 결과 기존 방법들에 비해 이미지 생성 점수와 분류 성능이 향상되고, 지연 시간이 감소함을 보였습니다. 코드는 GitHub에서 공개됩니다.
