본 논문은 개인 맞춤형 연합 학습(PFL)에서 클라이언트 간의 그래프 구조를 고려하여 개별 클라이언트 모델의 성능을 향상시키는 새로운 방법인 pFedGAT를 제안합니다. 기존 PFL 방법들은 클라이언트 모델의 집계 과정을 제대로 고려하지 않고, 클라이언트 간 그래프 구조를 무시하는 한계점을 가지고 있습니다. pFedGAT는 그래프 어텐션 네트워크를 활용하여 클라이언트 간의 관계를 학습하고, 각 클라이언트에 대한 다른 클라이언트의 중요도를 동적으로 결정하여 집계 과정을 세밀하게 제어합니다. Fashion MNIST, CIFAR-10, CIFAR-100 데이터셋을 사용한 실험 결과, pFedGAT는 기존 12개의 최첨단 방법들보다 우수한 성능을 보였습니다.
