개인정보 보호에 민감하고 자원이 제한된 환경에서 3D 포인트 클라우드 (3D point cloud) 분석을 배포하는 데에는 두 가지 장벽이 있습니다. 데이터는 중앙 집중화될 수 없으며, 모델은 제한된 엣지 (edge) 하드웨어에서 실행되어야 합니다. 본 연구에서는 3D 포인트 클라우드 분류를 위해 연합 학습 (Federated Learning, FL)과 지식 증류 (Knowledge Distillation, KD)를 공동 평가하는 멀티 시드 (multi-seed) 벤치마크를 제시합니다. 이는 13개의 FL 알고리즘과 10개의 KD 목적 함수(총 130쌍의 교차 곱)를 포함하며, 504회의 학습 실행을 통해 ModelNet40 및 임상 두개골 조기 유합증 (craniosynostosis) 데이터셋에서 평가되었습니다. 우리는 세 가지 발견을 보고합니다. 첫째, 극단적인 비독립 동일 분포 (non-IID) 레이블 왜곡 상황에서 단독 FL은 급격히 성능이 저하됩니다. ModelNet40의 경우, 가장 강력한 방법이 중앙 집중식 기준인 92.26%에 비해 76.32%에 그쳤으며, 임상 데이터의 경우 최선의 방법이 100% 대비 75.83%에 도달했습니다. 둘째, 증류 (distillation)는 교사 (teacher) 모델을 74.51% 더 작은 학생 (student) 모델로 성공적으로 압축하며, 추론 시 약 두 배 더 빠르면서도 종종 교사 모델과 일치하거나 이를 능가하는 성능을 보입니다. 셋째, 결합된 파이프라인은 평가상의 함정을 드러냅니다. 증류 시 레이블이 지정된 프록시 (proxy) 분할 데이터에 대해 하드 레이블 교차 엔트로피 (hard-label cross-entropy) 항을 유지할 경우, 붕괴된 연합 교사 모델 (8.50%)이 Logit-MSE와 결합되어 여전히 92.94%의 학생 모델 성능을 산출합니다. 이 84.4포인트의 격차는 연합 모델이 아닌 프록시 레이블을 반영하는 것이며, 이는 연합 학습을 유도했던 바로 그 레이블을 재사용하는 결과를 초래합니다. 하드 레이블이 없는 목적 함수들은 대신 교사의 품질($r ext{ extasciitilde} 0.99$)을 추적하며, 교사가 붕괴될 때 함께 붕괴됩니다. 따라서 우리는 보고된 정확도가 프록시가 아닌 연합 교사 모델을 반영할 수 있도록, 레이블이 없는 증류 (label-free distillation)를 사용하여 FL-KD 파이프라인을 평가할 것을 권장합니다.