본 논문은 연합 학습(FL)의 비동기화, 계산 비용, 데이터 이질성, 그리고 경사도 및 멤버십 프라이버시 공격과 같은 문제점들을 해결하기 위해 데이터 증류를 활용하는 새로운 방법인 FedLGD(Federated Learning on Virtual Heterogeneous Data with Local-Global Dataset Distillation)를 제안합니다. FedLGD는 작은 합성 데이터셋(가상 데이터)을 사용하여 FL을 수행하며, 지역 가상 데이터에 전역 정보를 채워넣는 반복적 분포 매칭과 이질적인 지역 훈련을 수정하기 위한 앵커 포인트 역할을 하는 전역 가상 데이터를 증류하는 연합 경사도 매칭을 통해 데이터 이질성 문제를 완화합니다. 다양한 벤치마크 및 실제 데이터셋을 사용한 실험을 통해 기존의 이질적 FL 알고리즘보다 우수한 성능을 보임을 확인하였고, 대규모 클라이언트 및 클래스 불균형 데이터셋에서도 효과적임을 입증했습니다. 소스 코드는 Github에 공개되어 있습니다.
