본 논문은 기존 연합 학습(FL)의 한계점인 데이터 분포 변화 문제를 해결하기 위해 분산 환경에서의 도메인 일반화(DG)에 초점을 맞추고 있습니다. 특히, 기존 연구에서 부족했던 DG 목적 함수에 대한 형식적 수학적 분석과 별형 토폴로지(star-topology)에 국한된 연구를 극복하고자 합니다. 이를 위해, 장치 간 스타일 정보 공유를 기반으로 한 분산형 DG 알고리즘인 StyleDDG를 제안합니다. StyleDDG는 피어-투-피어 네트워크에서 장치들이 데이터셋으로부터 추론된 스타일 정보를 공유하여 DG를 달성합니다. 또한, 분산 네트워크에서 스타일 기반 DG 학습을 분석하는 최초의 체계적인 접근 방식을 제공하며, 기존 중앙 집중식 DG 알고리즘을 제안된 프레임워크 내에 포함시켜 StyleDDG를 모델링하고, StyleDDG의 수렴을 보장하는 분석적 조건을 도출합니다. 다양한 DG 데이터셋을 이용한 실험을 통해 StyleDDG가 기존 분산 경사 하강법에 비해 적은 통신 오버헤드로 여러 타겟 도메인에서 정확도를 크게 향상시킬 수 있음을 보여줍니다.
