본 논문은 모델 이종성 연합 학습(MHFL)의 확장성 및 효율성 문제를 해결하기 위해 중앙 집중식 집계 없이 완전히 이종적인 모델 아키텍처를 허용하는 새로운 프레임워크인 FedSKD를 제안합니다. FedSKD는 라운드 로빈 모델 순환을 통한 직접적인 지식 교환을 가능하게 하며, 배치, 픽셀/복셀, 영역 수준에서 다차원 유사성 지식 증류를 통해 이종 모델 간의 양방향 지식 전달을 수행합니다. 이를 통해 catastrophic forgetting 및 모델 drift를 완화하고 모델 이종성을 유지하면서 성능을 향상시킵니다. fMRI 기반 자폐 스펙트럼 장애 진단 및 피부 병변 분류에 대한 광범위한 평가를 통해 FedSKD가 최첨단 이종 및 동종 FL 기준 모델보다 우수한 개인화 및 일반화 성능을 달성함을 보여줍니다.
