연합 학습(FL)에서 클라이언트 드리프트(client drift)가 저주파 그래디언트 성분에 집중된다는 "드리프트의 스펙트럴 바이어스(Spectral Bias of Drift)" 현상을 발견하고, 이를 기반으로 불일치하는 저주파 신호를 억제하는 통합 프레임워크 SpecGradFilter를 제안한다. CIFAR-10/100 및 Tiny-ImageNet 벤치마크에서 고도의 non-IID 환경 하에 통신 오버헤드 없이 기존 연합 학습 기법 대비 우수한 성능과 수렴 속도를 달성한다.
분산 자기지도 학습(D-SSL)의 non-IID 데이터 강건성을 이론적으로 분석한 연구로, 마스킹 이미지 모델링(MIM) 기반 사전학습이 대조 학습(CL)보다 데이터 이질성에 본질적으로 더 강건하며, 연합 학습(FL)이 분산 학습(DecL)보다 강건성이 낮지 않음을 증명하였다. 이 이론적 통찰을 바탕으로 로컬-글로벌 정렬 정규화를 적용한 MAR loss를 제안하고, 다양한 모델 아키텍처와 분산 환경 실험을 통해 그 효과를 검증하였다.
연합학습의 비독립동일분포(non-IID) 환경에서 클러스터링과 주 학습 루프의 결합으로 발생하는 계산·통신 비용 문제를 해결하기 위해, 각 클라이언트가 랜덤 네트워크 증류(Random Network Distillation, RND) 기반의 소형 예측기를 로컬 데이터로 학습하고 예측 오차를 새로움(novelty) 신호로 활용해 사전에 클라이언트 그룹을 자율적으로 발견하는 경량 클러스터링 방법을 제안한다. 이 방식은 원시 데이터 공유나 전체 모델 반복 평가 없이 클러스터 수를 사전에 지정하지 않아도 되며, 컴퓨터 비전 벤치마크 실험에서 특징 왜곡(feature skew) 환경의 비독립동일분포 데이터에 대해 의미 있는 클라이언트 그룹 발견이 가능함을 검증하였다.
연합학습(federated learning)에서 클라이언트 업데이트 집계 시 고정 가중치 규칙의 한계를 극복하기 위해, 조건부 랜덤 필드(CRF)를 활용한 구조적 확률 추론 프레임워크를 제안한다. 단항 포텐셜로 개별 클라이언트의 신뢰도를 평가하고 쌍별 포텐셜로 클라이언트 간 상호작용을 모델링한 뒤 평균장(mean-field) 추론으로 집계 가중치를 정제하며, non-IID 환경에서 FedAvg 등 기존 베이스라인 대비 일관된 성능 향상을 달성했다.