데이터 프라이버시 요구 증가와 계산 인프라 발전에 따라 분산 학습 패러다임으로 연합 학습(FL)이 부상했지만, 데이터 분포의 차이로 인해 실제 환경에서의 신뢰성에 문제가 발생한다. 이를 해결하기 위해 불변 및 변동 특징을 모두 통합하는 인과 추론 방법인 FedSDWC를 제안한다. FedSDWC는 불변 및 변동 특징 간의 약한 인과적 영향을 모델링하여 인과적 의미 표현을 추론하여 불변 특징을 정확하게 포착하고 인과적 표현을 직접 구성하는 기존 불변 학습 방법의 한계를 극복한다. 본 방법은 FL의 일반화 능력과 OOD(Out-of-Distribution) 데이터 감지 능력을 향상시킨다. 이론적으로 FedSDWC의 일반화 오차 범위를 특정 조건에서 도출하고, 클라이언트 사전 분포와의 관계를 최초로 확립한다. 또한, 여러 벤치마크 데이터 세트에 대한 광범위한 실험을 통해 공변량 및 의미론적 이동을 처리하는 FedSDWC의 우수한 성능을 검증한다.
