분산 연합 학습(Decentralized Federated Learning, DFL)은 로컬 데이터를 보유한 클라이언트들이 피어-투-피어 방식으로 협력하여 일반화된 모델을 학습할 수 있게 한다. 본 논문에서는 DFL에서 중요한 문제들을 각각 독립적으로 해결해 온 두 연구 흐름을 통합한다: (i) 데이터 이질성 완화를 위한 그래디언트 추적 기법과 (ii) 클라이언트 간 자원의 가용성 다양성을 고려하는 방법. 우리는 $ \textit{Sporadic Gradient Tracking}\texttt{Spod-GT} exttt{Spod-GT}$의 효율성을 입증한다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.