본 논문은 이기종 환경에서의 무선 연합 학습(FL)의 집계 효율성과 정확성을 향상시키는 새로운 방법을 제안합니다. 이기종 환경에서의 장치들은 서로 다른 데이터 분포와 통신 능력을 가지고 있어, 기존 FL의 성능 저하를 야기합니다. 본 논문은 사전 지식 유사성을 활용하여 유사한 데이터 및 통신 특성을 가진 장치들을 그룹화하는 클러스터링 전략을 제시하고, 이를 기반으로 클러스터를 기본 단위로 취급하고 클러스터의 기여 임계값에 따라 지역 업데이트 빈도를 조정하는 클러스터 인식 다중 라운드 업데이트(CAMU) 전략을 제안합니다. CAMU 전략의 수렴성을 이론적으로 검증하고, 수렴 상한선을 기반으로 각 클러스터의 지역 업데이트 빈도와 전송 전력을 공동으로 최적화하여 제약된 조건 하에서 계산 및 통신 자원 간의 최적 균형을 달성함으로써 FL의 수렴 효율성을 크게 향상시킵니다. 실험 결과는 제안된 방법이 이기종 환경에서 FL의 모델 성능을 효과적으로 향상시키고 제한된 자원 하에서 통신 비용과 계산 부하 간의 균형을 더 잘 달성함을 보여줍니다.
