본 논문은 연합 학습에서의 크로스 트레이닝 전략을 개선하는 FedCT(Federated Cross-Training)라는 새로운 방법을 제시합니다. 기존 크로스 트레이닝의 한계인 데이터 분포 차이로 인한 최적화 목표 불일치 및 특징 공간 이질성 문제를 해결하기 위해, 지역적 관점과 전역적 관점에서의 지식 증류를 활용합니다. 구체적으로, 일관성 인식 지식 전파 모듈, 다중 관점 지식 유도 표현 학습 모듈, Mixup 기반 특징 증강 모듈의 세 가지 모듈로 구성되어 있으며, 이를 통해 지역적 지식 보존 및 지역-전역 지식 간 일관성을 유지하고, 특징 공간 다양성을 증가시켜 성능을 향상시킵니다. 네 개의 데이터셋을 이용한 실험 결과, FedCT는 기존 최첨단 방법들을 능가하는 성능을 보였습니다.
