본 논문에서는 연합 학습(Federated Learning, FL) 환경에서 노이지 레이블 문제를 해결하기 위한 새로운 방법인 FedEFC를 제안합니다. FedEFC는 두 가지 주요 기술, 즉 오버피팅을 방지하는 prestopping과 레이블 노이즈를 고려한 모델 업데이트를 위한 loss correction을 통해 노이지 레이블의 영향을 완화합니다. 특히, 데이터 이질성과 분산 학습의 고유한 과제를 고려한 효과적인 loss correction을 개발하고, composite proper loss property를 활용한 이론적 분석을 통해 노이지 레이블 분포 하에서의 FL 목적 함수가 깨끗한 레이블 분포와 정렬될 수 있음을 보여줍니다. 광범위한 실험 결과는 제안된 방법의 효과를 검증하며, 특히 이질적인 데이터 설정에서 기존 FL 기법보다 노이지 레이블의 영향을 완화하는 데 있어 일관되게 우수한 성능을 보임을 나타냅니다 (기존 loss correction 방법 대비 최대 41.64%의 상대적 성능 향상).
