본 논문은 비동질적 데이터 환경에서 클라이언트 드리프트 문제를 해결하기 위한 새로운 연합 학습 방법인 Gradient Centralized Federated Learning (GC-Fed)을 제안합니다. 기존의 참조 기반 방법들이 과거 정보에 의존하여 불안정한 훈련을 초래하는 문제점을 지적하며, GC-Fed는 과거 정보에 의존하지 않는 초평면을 참조점으로 사용하여 클라이언트 간의 정렬을 향상시킵니다. GC-Fed는 지역 훈련 중 기울기를 중앙 집중화하는 Local GC와 서버 집계 중 업데이트를 중앙 집중화하는 Global GC의 두 가지 구성 요소로 이루어져 있으며, 특징 추출 계층에는 Local GC, 분류기 계층에는 Global GC를 적용하여 클라이언트 기여도를 조화시키고 라운드별 성능을 안정화합니다. 이론적 분석과 다양한 실험을 통해 GC-Fed가 클라이언트 드리프트를 효과적으로 완화하고, 비동질적이고 부분 참여 조건에서 최대 20%의 정확도 향상을 달성함을 보여줍니다.
