본 논문은 의료 이미지 분류를 위한 연합 학습(FL)에서 데이터 프라이버시를 보장하면서 기관 간 데이터 변동성으로 인한 레이블 노이즈 문제를 해결하는 새로운 프레임워크인 FedGSCA를 제안합니다. FedGSCA는 모든 클라이언트로부터 노이즈 정보를 집계하는 Global Sample Selector와 클래스 분포에 동적으로 적응하여 소수 클래스 샘플을 포함하고 다중 가능성 레이블을 고려하여 노이즈 레이블을 관리하는 Client Adaptive Adjustment (CAA) 메커니즘을 도입하여 노이즈의 이질성과 불균형 문제를 해결합니다. 실제 대장 슬라이드 데이터셋과 두 개의 합성 의료 데이터셋을 사용한 실험 결과, FedGSCA는 다양한 노이즈 조건(대칭, 비대칭, 극단적, 이질적)에서 기존 방법보다 우수한 성능을 보였으며, 특히 극단적이고 이질적인 노이즈 환경에서 성능 향상이 두드러졌습니다. 이는 모델의 안정성 향상과 복잡한 노이즈 처리에 대한 FedGSCA의 장점을 보여줍니다.
