본 논문은 기존 연합 학습(FL)과 도메인 일반화(DG) 연구의 두 가지 주요한 한계점, 즉 (1) DG 목표 함수와 학습 과정에 대한 공식적인 수학적 분석의 부재와 (2) FL에서의 DG 연구가 기존의 스타 토폴로지 구조에 국한된 점을 해결하고자 한다. 이를 위해, 피어-투-피어 네트워크 내 장치들이 데이터셋에서 추론된 스타일 정보 공유를 기반으로 DG를 달성할 수 있도록 설계된 완전 분산형 DG 알고리즘인 StyleDDG (Decentralized Federated Domain Generalization with Style Sharing)을 개발하였다. 또한, 스타일 기반 DG 학습 최적화에 대한 최초의 체계적인 수학적 분석 접근 방식을 제공하여 첫 번째 한계점을 해결하였다. 기존 중앙 집중식 DG 알고리즘을 본 논문의 프레임워크 내에 포함시키고, 이들의 형식을 사용하여 StyleDDG를 모델링하여 StyleDDG의 준선형 수렴 속도를 얻을 수 있는 분석적 조건을 얻었다. 두 가지 대표적인 DG 데이터셋에 대한 실험을 통해, StyleDDG가 스타일 공유를 사용하지 않는 분산 경사 하강법에 비해 최소한의 추가 통신 오버헤드로 여러 타겟 도메인에서 정확도를 크게 향상시킬 수 있음을 보였다.
