본 논문은 분산된 우주 기반 관측 시스템의 등장을 배경으로, 기존 중앙 집중식 학습 방식의 한계(데이터 유출, 통신 오버헤드, 데이터 분포 불일치로 인한 정확도 저하)를 극복하기 위해 자가 조정 연합 학습(SAFE) 프레임워크를 제안합니다. SAFE는 클래스 불균형 해결을 위한 클래스 정정 최적화, 비IID 데이터 문제 완화를 위한 특징 정렬 업데이트, 학습 중 최적화 효과의 동적 균형을 위한 이중 요소 변조 레오스타트, 그리고 전경 영역을 동적으로 개선하여 계산 효율성과 정확도 향상을 동시에 달성하는 적응적 맥락 향상 등 네 가지 핵심 전략을 제시합니다. 실제 이미지 분류 및 객체 분할 데이터셋을 이용한 실험을 통해 SAFE 프레임워크의 효과성과 신뢰성을 검증하였습니다.
