본 논문은 분산된 데이터 소스(데이터 섬) 문제를 해결하기 위해, 연합 학습(Federated Learning, FL)의 한계를 극복하는 새로운 지식 중심의 패러다임인 "연합 학습에서의 지식 증강(Knowledge Augmentation in Federation, KAF)"을 제안한다. KAF는 참여자 간의 협력을 통해 지역적 지식을 향상시키는 데 초점을 맞추며, 시스템 아키텍처, 최적화 목표, 그리고 KAF에 적합한 방법론을 검토한다. 특히 지식 확장, 지식 필터링, 레이블 및 특징 공간 수정을 위한 방법들을 세 가지 범주로 분류하고 설명하며, 향후 연구 과제와 개방형 질문들을 제시한다. 기존의 학습 중심 접근 방식의 한계(공정성, 비용, 재현성 저하)를 극복하고 분산된 데이터 협업 학습의 새로운 가능성을 제시하는 것을 목표로 한다.
