비동기적 연합 학습(AFL)은 지연되는 클라이언트를 기다릴 필요가 없어 학습 속도를 높이지만, 비동기적 특성으로 인해 오래된 기울기(gradient staleness)가 성능 저하를 야기합니다. 기존 해결책은 기울기 버퍼를 사용하여 반비동기적 프레임워크를 형성하지만, 많은 오래된 기울기가 버퍼에 누적되면 모든 기울기를 무작정 집계하는 것이 학습에 해로울 수 있습니다. 본 논문에서는 개인정보 보호를 보장하면서 버퍼 내 기울기 선택을 수행하는 최초의 알고리즘인 AFBS(Asynchronous FL Buffer Selection)를 제안합니다. 클라이언트는 훈련 전에 무작위 투영 암호화된 레이블 분포 행렬을 보내고, 서버는 이를 기반으로 클라이언트 클러스터링을 수행합니다. 훈련 중 서버는 각 클러스터 내 기울기의 정보 가치를 기반으로 점수를 매기고 선택하며, 저가치 기울기는 버립니다. 매우 이기종 시스템 및 데이터 환경에서의 광범위한 실험을 통해 AFBS가 최첨단 방법보다 우수한 성능을 보임을 보여줍니다. 특히 가장 어려운 작업인 CIFAR-100에서 AFBS는 이전 최고 알고리즘보다 정확도를 최대 4.8% 향상시키고 목표 정확도에 도달하는 시간을 75% 단축합니다.
