반중앙집중형 연합 학습에서 장치 간 통신을 기본으로 하면서 중앙 서버와 가끔 상호 작용합니다. 주기적으로, 샘플링된 장치 하위 집합이 로컬 모델을 서버에 업로드하고 서버는 집계된 모델을 계산합니다. 서버는 (i) 이 집계된 모델을 샘플링된 클라이언트와만 공유(S2S, sampled-to-sampled)하거나 (ii) 모든 클라이언트에 브로드캐스트(S2A, sampled-to-all)할 수 있습니다. 두 전략의 엄격한 이론적, 경험적 비교가 부족하여, 본 연구는 S2S와 S2A를 통합된 수렴 프레임워크 내에서 분석합니다. 분석 및 실험 결과는 데이터 이질성에 따라 한 전략이 다른 전략보다 우수한 특정 영역을 보여줍니다. 이 연구는 실용적인 반중앙집중형 연합 학습 배포에 대한 구체적인 설계 지침을 제시합니다.
