본 논문은 연합 학습(FL)에서 느린 속도의 장치(stragglers)로 인한 비효율적인 훈련 문제를 해결하기 위해 새로운 FL 프레임워크인 SEAFL을 제시합니다. 기존의 동기식 FL의 비효율성과 비동기식 FL의 시스템 오버헤드 및 모델 저하 문제를 해결하기 위해, SEAFL은 반비동기 방식을 채택하여 업로드된 모델의 중요도와 오래됨을 기반으로 가중치를 동적으로 할당합니다. 또한 느린 장치에서 부분 훈련을 허용하는 확장된 변형을 통해 훈련 효율성을 높이고, 세 가지 벤치마크 데이터셋을 사용한 실험을 통해 SEAFL의 효과를 입증합니다. 실험 결과, SEAFL은 기존 방법보다 최대 22%의 벽시계 훈련 시간 단축 효과를 보였습니다.
