본 논문은 분산 환경에서의 기계 학습 모델 훈련을 위한 새로운 연합 학습(FL) 방식인 Field-Based Federated Learning (FBFL)을 제안합니다. 기존 FL의 확장성 및 성능 저하 문제, 특히 비IID(non-independently and identically distributed) 데이터 분포로 인한 문제점을 해결하기 위해, FBFL은 매크로 프로그래밍과 필드 조정을 활용합니다. 구체적으로, 공간 기반 분산 리더 선출을 통해 개인화를 수행하여 비IID 데이터 문제를 완화하고, 자기 조직적인 계층적 구조를 구축하여 중앙 집중식 아키텍처의 병목 현상 및 단일 장애점 위험을 해결합니다. MNIST, FashionMNIST, Extended MNIST 데이터셋을 사용한 실험 결과, IID 데이터 조건에서는 FedAvg와 비슷한 성능을 보였고, 비IID 데이터 조건에서는 FedProx 및 Scaffold 등 기존 최첨단 방법들을 능가하는 성능을 보였습니다. 또한 서버 장애에 대한 FBFL의 자기 조직적 계층적 아키텍처의 강력함을 보여주었습니다.
