본 논문은 에이전트 AI와 같이 AI가 개인화됨에 따라 다양한 사용 사례에 맞게 모델을 개인화해야 할 필요성이 증가함에 따라, 개인화 연합 학습(PFL)을 통해 각 클라이언트가 다른 클라이언트의 지식을 활용하여 개인 정보 보호 위험 없이 관심 있는 작업에 더 잘 적응할 수 있도록 하는 방법을 제시한다. 기존 PFL 방법론이 데이터와 모델이 클라이언트 간에 동일한 단순화된 시나리오에 국한된 한계를 극복하기 위해, FedMosaic라는 방법을 제안한다. FedMosaic은 작업 관련성을 고려한 모델 집계 전략을 통해 매개변수 간섭을 줄이고, 차원 불변 모듈을 사용하여 계산 비용 없이 이기종 아키텍처 간의 지식 공유를 가능하게 한다. 또한, 실제 작업 다양성을 모방하기 위해 시간 경과에 따른 분포 변화를 포함하는 40개의 서로 다른 작업을 포괄하는 다중 모드 PFL 벤치마크를 제안한다. 실험 결과는 FedMosaic이 최첨단 PFL 방법론보다 우수하며, 까다로운 현실적인 시나리오에서 개인화 및 일반화 능력 모두에서 뛰어남을 보여준다.
