본 논문은 딥러닝 모델의 개인정보 보호 문제를 해결하기 위한 연합 학습(Federated learning) 기술을 소개하며, 특히 레이블 분포의 불균형(label skew) 문제를 해결하기 위한 새로운 방법인 FedEntOpt를 제안한다. FedEntOpt는 각 라운드에서 집계된 레이블 분포의 엔트로피를 최대화하는 클라이언트를 선택하여 모든 클래스의 데이터를 모델에 노출시키도록 한다. 여러 벤치마크 데이터셋에 대한 실험 결과, FedEntOpt는 기존의 최첨단 알고리즘보다 최대 6% 높은 분류 정확도를 보였으며, 낮은 참여율과 클라이언트 이탈 상황에서는 30% 이상의 성능 향상을 달성했다. 또한, 기존 알고리즘과 결합하여 40% 이상의 정확도 향상을 가져왔으며, 차등적 프라이버시(differential privacy) 적용에도 성능 저하가 없음을 확인했다.
