본 논문은 분산된 데이터 소스에서 원시 데이터를 공유하지 않고 머신러닝 모델을 학습하는 유망한 방법으로서 연합 학습(Federated Learning, FL)에 대해 다룬다. 연합 학습의 주요 과제는 클라이언트 데이터가 종종 비IID(비독립적이고 동일하게 분포되지 않음)이라는 점이며, 이는 중앙 집중식 학습에 비해 성능 저하를 초래한다. 본 논문은 기울기 하강법에서 FL까지, 그리고 IID에서 비IID 데이터 설정까지 포괄적인 조사를 통해 비IID 시나리오에서 성능 저하의 주요 원인이 클라이언트 손실 지형의 불일치임을 밝혀낸다. 이를 바탕으로 기존 방법들을 매개변수 업데이트 경로 조정과 클라이언트 손실 지형 수정이라는 두 가지 주요 전략으로 분류한다. 이러한 결과는 FL에서 비IID 과제를 해결하는 데 대한 명확한 관점을 제공하고 향후 연구를 위한 지침을 제시한다.
