본 논문은 연합 학습 환경에서 여러 클라이언트가 이기종 작업을 수행하는 연합 다중 작업 학습(FMTL)의 한계를 해결하기 위해, 업데이트 구조 인식 집계 방법인 FedDEA를 제안합니다. 기존 FMTL 방법들이 개별 클라이언트를 위한 개인화된 모델 구축에 집중하여 이기종 작업의 통합 모델 생성에 어려움을 겪는 문제를 해결하고자, FedDEA는 로컬 업데이트의 반응 강도에 기반하여 작업 관련 차원을 동적으로 식별하고 재조정을 통해 최적화 효율성을 높입니다. 이는 작업 간 간섭을 효과적으로 억제하고 통합된 글로벌 모델 내에서 작업 수준의 분리된 집계를 가능하게 합니다. 작업 레이블이나 아키텍처 수정 없이도 적용 가능하며, NYUD-V2 및 PASCAL-Context 데이터셋에서 기존 연합 최적화 알고리즘과 통합하여 성능 향상을 보였습니다.