본 논문은 데이터 이질성이 만연한 연합 학습의 어려움을 해결하기 위한 새로운 프레임워크 FedProj를 제안한다. 기존 방법들이 데이터 이질성으로 인해 전역 의사결정 경계를 망각하는 문제점을 지적하며, 간단한 예시를 통해 이를 실험적으로 분석한다. 분석 결과, 기존 방법들은 초기 가중치에 관계없이 전역 의사결정 경계를 잊고 지역적 의사결정 경계만 학습하는 것을 확인했다. FedProj는 전역 의사결정 경계를 강건하게 학습하고 망각을 방지하기 위해, 서버측 앙상블 지식 전달 손실을 설계하여 앙상블 지식 융합을 개선하고, 공개되지 않은 비표지 데이터의 평균 앙상블 로짓을 에피소딕 메모리로 활용하여 지역 학습 과정의 기울기 업데이트를 조절한다. 실험 결과, FedProj는 최첨단 방법들을 상당한 차이로 능가함을 보였다.
