본 논문은 연합 학습(Federated Learning, FL) 환경에서 개인화된 미세 조정(Personalized Fine-Tuning, PFT)의 문제점을 해결하기 위해 Linear Probing을 기반으로 한 새로운 전략인 LP-FT (Linear Probing followed by full Fine-Tuning)를 제안한다. LP-FT는 연합 학습 환경에서 발생하는 특징 왜곡 현상을 완화하고, 개인화와 일반화 사이의 균형을 맞추는 데 효과적임을 여러 데이터셋과 PFT 변형을 통해 입증한다. 또한, LP-FT가 표준 미세 조정보다 우수한 성능을 보이는 조건을 제시하여, 연합 학습 환경에서의 개인화된 모델 배포에 대한 지침을 제공한다.
