본 논문은 다양한 데이터 스트림을 활용하여 의사결정, 상황 인식 및 시스템 복원력을 향상시키는 다중 소스 정보 융합(MSIF)에 초점을 맞추고 있습니다. 연합 학습(FL)은 개인 정보를 보호하면서 MSIF를 가능하게 하지만, 높은 데이터 이질성 하에서는 클라이언트 드리프트로 인해 성능 저하가 발생합니다. 기존의 완화 전략은 참조 기반 기울기 조정에 의존하며, 부분 참여 설정에서는 불안정할 수 있습니다. 이를 해결하기 위해, 본 논문에서는 기울기 중앙화(GC)에서 영감을 받은 참조 없는 기울기 보정 방법인 기울기 중앙화 연합 학습(GC-Fed)을 제안합니다. 로컬 GC와 글로벌 GC를 도입하여 각각 로컬 학습과 글로벌 집계 중에 GC를 적용합니다. 하이브리드 GC-Fed 접근 방식은 특징 추출 계층에 로컬로, 분류기 계층에 글로벌로 GC를 선택적으로 적용하여 훈련 안정성과 모델 성능을 향상시킵니다. 이론적 분석과 실험 결과는 GC-Fed가 클라이언트 드리프트를 완화하고 이질적인 환경에서 최대 20%의 최첨단 정확도 향상을 달성함을 보여줍니다.
