본 논문은 연합학습(Federated Learning, FL)에서 개인정보 보호를 유지하면서 공정성을 달성하는 새로운 방법인 곡률 정렬 연합학습(Curvature-Aligned Federated Learning, CAFe)을 제시한다. 기존의 FL 공정성 방법들이 민감한 속성 정보에 의존하는 것과 달리, CAFe는 민감한 속성 정보 없이도 공정성을 달성하는 "인구통계학적 정보 없는 공정성(Fairness without Demographics, FWD)" 개념을 도입한다. CAFe는 지역 학습 중 손실 지형 곡률 규제와 클라이언트의 손실 지형 예리함 인식 집계를 통해 클라이언트 내부 및 클라이언트 간 곡률을 정렬하여 공정성과 성능 간의 균형을 강화한다. 실제 세계의 다양한 데이터셋과 자원 제약 장치들을 사용한 실제 FL 배포 환경에서의 실험을 통해 CAFe의 효과성과 실용성을 검증하였다.