손실이 발생하는 무선 네트워크 환경에서의 분산형 연합 학습 (Decentralized Federated Learning, DFL)은 두 가지 핵심 과제에 직면해 있습니다. 하나는 모델의 부분적 수신으로 인해 품질이 낮은 링크의 업데이트가 체계적으로 과소 대표되는 선택 편향 (selection bias) 문제이며, 다른 하나는 비동기 노드들이 오래된 정보를 기여하는 업데이트 신선도 저하 (update staleness) 문제입니다. 본 논문에서는 로컬 채우기 재구성 (local-fill reconstruction)을 사용하는 균등 가십 집계 (uniform gossip aggregation)가 링크 품질로 인한 지속적인 편향을 유발하며, 완결성 기반 가중치 부여 (completeness-based weighting)가 이러한 효과를 더욱 증폭시킨다는 것을 보여줍니다. 이러한 과제를 해결하기 위해, 본 연구에서는 DFL-AA (Decentralized Federated Learning with Adaptive AoI-weighted Aggregation)를 제안합니다. DFL-AA는 역확률 가중치 부여 (Inverse Probability Weighting)와 온라인 EWMA (Exponentially Weighted Moving Average) 기반 채널 추정을 결합하여 선택 편향을 교정하며, 정보 연령 (Age-of-Information, AoI) 기반 가중치 부여를 통해 전역 동기화 없이도 신선도 저하 문제를 완화합니다. 우리는 이론적으로 DFL-AA가 기대치 관점에서 링크 품질 왜곡을 제거함을 보여주며, 다양한 손실률, 네트워크 크기 및 이질적인 무선 조건 전반에서 최신 베이스라인 (state-of-the-art baselines) 대비 일관된 성능 향상을 실험적으로 입증합니다.