본 논문은 연합 학습(FL)에서 데이터 이질성으로 인해 발생하는 급격한 최소점 문제를 해결하기 위해, 서버 측에서 전역 급격도 최소화(SAM)를 활용하는 새로운 방법인 FedGloSS를 제안합니다. 기존의 클라이언트 측 SAM 기반 방법들이 지역적 급격도 최소화에 집중하여 전역적 평탄도를 보장하지 못하는 한계를 극복하고자, FedGloSS는 이전의 전역 기울기를 이용하여 전역 급격도를 효율적으로 근사함으로써 통신 오버헤드를 줄이면서 전역적 평탄도를 최적화합니다. 다양한 연합 학습 비전 벤치마크 실험 결과, FedGloSS는 기존 최첨단 방법들보다 더 평탄한 최소점에 도달하고 성능이 우수함을 보여줍니다.
