FedADB는 클라이언트 간 데이터 이질성 아래 연합학습(FL) 로컬 학습이 이전에 학습한 전역 지식을 잊어버려 성능과 수렴 속도가 크게 떨어지는 문제를 다루는 클래스 앵커 기반 이중 분기 프레임워크다. 서버가 미분 가능한 입력 공간에서 최적화한 클래스 앵커를 생성해 모든 클라이언트가 공유하며, 이 앵커는 로컬 학습 중 누락된 클래스에 대한 전역 참조로서 지도 학습 신호를 제공한다. 클라이언트에는 앵커 기반 전역 분기(클래스 앵커 균형 샘플링으로 전역 지식 정렬 달성)와 지역 보정 분기(과도한 전역 정렬로 인한 지역 표현 저하 완화)로 구성된 이중 분기 협력 학습 메커니즘을 설계했다. 여러 의료·자연 데이터셋에서 진행한 실험 결과 FedADB는 정확도와 수렴 속도 모두에서 유의미한 개선을 보였다.

• •데이터 이질성 아래 전역 지식 망각 문제를 클래스 앵커로 해결
• •서버가 미분 가능 입력 공간에서 최적화된 클래스 앵커를 생성·공유
• •전역 분지(전역 정렬)와 지역 보정 분지(지역 표현 보호)의 이중 협력 학습
• •프록시 데이터셋 없이도 누락 클래스에 대한 지도 신호 제공
• •의료·자연 데이터셋 전반에서 정확도·수렴 속도 동시 개선