본 논문은 모델 구조가 서로 다른 클라이언트들이 참여하는 이종 모델 연합 학습(FL)을 위한 새로운 프레임워크인 GeFL과 그 개선된 버전인 GeFL-F를 제안합니다. 기존 연합 학습의 한계점인 클라이언트 간 모델 구조의 불일치 문제를 해결하기 위해, 연합 학습 방식으로 훈련된 생성 모델을 이용하여 클라이언트 간 지식 공유를 가능하게 합니다. GeFL은 생성 모델을 통해 전역 데이터 의미를 포착하고, 모델 균질성 없이 로컬 훈련을 가능하게 합니다. 하지만 확장성 및 개인 정보 유출 위험이 존재하여, 이를 개선하기 위해 특징 수준의 생성 모델을 사용하는 GeFL-F를 제안합니다. 이미지 분류 작업에 대한 광범위한 실험을 통해 GeFL과 GeFL-F 모두 이종 환경에서 경쟁력 있는 성능을 제공함을 보여줍니다.
