본 논문은 완전 탈중앙화된 연합 학습(Federated Learning)에서 네트워크 토폴로지와 초기 모델 조건이 학습 효율에 미치는 영향을 분석하고, 개선된 초기화 전략을 제시합니다. 특히, 통신 네트워크의 고유벡터 중심성(eigenvector centrality) 분포를 기반으로 인공 신경망을 비동기적으로 초기화하는 전략을 제안하여 학습 효율을 크게 향상시켰습니다. 또한, 제안된 초기화 전략 하에서 시스템의 확장성 및 환경 변수 선택에 대한 연구를 수행했습니다. 이 연구는 분산 및 비동기 환경에서 인공 신경망 학습의 효율성과 확장성을 높이는 데 기여하며, 네트워크 구조와 학습 역학 간의 상호 작용에 대한 이해를 심화시킵니다.
