본 논문은 분산 컴퓨팅에 의존하는 지능형 통신 애플리케이션에서 레이블 분포의 불균형과 데이터 부족으로 인한 이질성이 부정확성과 불공정성을 초래하는 문제를 해결하기 위해, 개인화된 연합 학습 알고리즘인 Federated Contrastive Shareable Representations (FedCoSR)을 제안합니다. FedCoSR은 데이터 프라이버시를 유지하면서 클라이언트 간의 지식 공유를 촉진하기 위해, 로컬 모델의 상위 계층 매개변수와 일반적인 로컬 표현을 서버와 공유하고 전역적으로 집계합니다. 클라이언트 간 레이블 분포 불균형으로 인한 성능 저하를 해결하기 위해 로컬 및 글로벌 표현 간의 대조 학습을 채택하여 로컬 지식을 풍부하게 합니다. 또한, 데이터가 부족한 클라이언트의 공정성을 보장하기 위해 적응형 로컬 집계를 도입하여 각 클라이언트에서 글로벌 모델의 참여를 조정합니다. 실험 결과, FedCoSR이 다양한 수준의 레이블 이질성을 가진 데이터셋에서 기존 방법보다 정확도와 공정성을 향상시킴으로써 레이블 이질성을 완화하는 데 효과적임을 보여줍니다.
