연구진은 다양한 그래프 구조를 가진 클라이언트 데이터의 이질성을 고려한 연합 학습 방법 'FlatLand'을 제안했어요. FlatLand은 각 클라이언트 데이터를 맞춤형 로렌츠 공간에 임베딩하여 그래프의 고유한 기하학적 특성을 반영해요. 시간 차원 파라미터를 활용해 클라이언트별 이질성을 표현하고, 공간 차원 파라미터는 공통 지식을 보존하여 클라이언트 유사성 추정 없이 직접 집계할 수 있어요.
FlatLand은 기존 방식보다 성능이 뛰어나며, 특히 저차원 설정에서 효과적이에요. 다양한 그래프 연합 학습 작업에서 우수한 성능을 보여줬어요.