본 논문은 분산 환경에서의 협업적 자기 지도 학습에서 네트워크 계층 분할의 중요성을 강조합니다. 기존의 MocoSFL과 같은 방법들은 초기 계층에서의 네트워크 분할에 최적화되어 있어 개인정보 보호가 취약하고 통신 오버헤드가 증가하는 문제점을 가지고 있습니다. 본 논문에서는 계층 분할 위치가 개인정보 보호와 통신 효율에 미치는 영향을 분석하고, MocoSFL이 최소 통신 오버헤드에서 심각한 성능 저하를 겪는다는 것을 보여줍니다. 이를 해결하기 위해, 본 논문은 학습 과정 중 온라인 및 모멘텀 클라이언트 모델을 정렬하는 Momentum-Aligned contrastive Split Federated Learning (MonAcoSFL)을 제시합니다. MonAcoSFL은 기존 최고 성능을 유지하면서 통신 오버헤드를 크게 줄여 실제 환경에서의 적용 가능성을 높입니다.
