본 논문은 연합 학습에서 가장 널리 사용되는 집계 전략인 연합 평균화(Federated Averaging, FedAvg)의 한계점을 해결하기 위해 클래스 인식 기울기 마스킹(class-aware gradient masking)을 도입한 새로운 집계 전략을 제안합니다. FedAvg는 비IID(Non-IID) 데이터 설정에서 성능이 저하되고, 개인 정보 보호 위험이 있는 메타데이터 전송에 의존한다는 단점이 있습니다. 제안된 방법은 추가적인 클라이언트 메타데이터 없이 기울기 업데이트만을 사용하여 개인 정보 보호를 강화하고, 클래스별 중요도에 따라 클라이언트 기여도를 동적으로 가중치를 부여하여 비IID 분포, 수렴 방지 및 백도어 공격에 대한 강건성을 보장합니다. 벤치마크 데이터셋에 대한 실험 결과, 제안된 방법이 비IID 설정에서 FedAvg 및 다른 일반적인 집계 전략보다 우수한 성능을 보이며, 적대적 시나리오에서도 모델 무결성을 유지함을 보여줍니다.
