오늘은 김동균 연구원이 연합학습의 학습 효율성을 높이기 위해 클래스의 유사도를 이용한 논문을 소개하였습니다. 해당 논문은 클래스 사이의 유사도를 잘 보여주는 지표는 해당 클래스들을 학습 했을 때 나오는 가중치 값의 분포가 아니라 신경망의 최종 결정 계층에서 나오는 출력값임을 이용하여 클래스 사이의 유사도를 코사인 유사도를 이용해 구하였습니다. 또한 클래스 사이의 유사도가 가까워질 수 있도록 신경망 내부의 가중치를 계층별로 정규화하여 연합학습의 학습 성능을 높였습니다. 하지만 해당 논문에서 사용한 유사도 측정방식인 코사인 유사도가 실제 클래스 사이의 유사도를 잘 반영할 수 있는지, 단순히 계층별 정규화만을 사용하여 성능을 높게 끌어올릴 수 있는지, 그리고 Non-IID 상황에서는 왜 성능 증가가 크지 않은지를 제대로 설명하지 않은 점은 조금 아쉬웠습니다.