본 논문은 분산 데이터로부터의 클래스 증분 학습(CIL)을 가능하게 하는 연합 클래스 증분 학습(FCIL)에 대해 다룬다. 기존 FCIL 방법들은 일반적으로 기존 지식 보존을 로컬 클라이언트 학습에 통합하지만, 데이터 이질성으로 인한 공간-시간적 클라이언트 드리프트를 피할 수 없고 상당한 계산 및 통신 오버헤드를 초래하여 실제 배포에 제약이 있다. 이러한 문제를 동시에 해결하기 위해, 본 논문에서는 공간적(클라이언트 간) 및 시간적(단계 간)으로 특징 통계를 집계하는 통합 프레임워크인 공간-시간 통계 집계(STSA)를 제안한다. 집계된 특징 통계는 데이터 이질성의 영향을 받지 않으며, 각 단계에서 분류기를 폐쇄 형태로 업데이트하는 데 사용될 수 있다. 또한, 이론적 보장을 갖춘 통신 효율적인 변형인 STSA-E를 소개하여, 훨씬 낮은 통신 오버헤드로 STSA와 유사한 성능을 달성한다. 다양한 수준의 데이터 이질성을 가진 세 가지 널리 사용되는 FCIL 데이터셋에 대한 광범위한 실험을 통해 제안된 방법이 성능, 유연성, 통신 및 계산 효율성 측면에서 최첨단 FCIL 방법보다 우수함을 보여준다.
