예측 작업의 서로 다른 부분을 관찰하는 클라이언트는 자신이 관찰한 지지 영역(support) 밖에서는 호환되지 않는 행동을 보이는, 국소적으로 동등한 모델들을 학습할 수 있습니다. 우리는 중복된 모델들이 어떻게 호환 가능한 공유 모델로 향하는 지역별 저손실 경로를 허용하는지 연구합니다. CovFedAvg는 클라이언트에서 국소 모델과 곡선 제어를 유지하고, 집계된 기울기 기여(aggregated gradient contributions)를 통해 공통 종점(common endpoint)을 맞추며, 분산 학습 손실(distributed training losses)을 사용하여 실제 후보 모델을 선택합니다. 중앙 집중식 보정 예시(centralized calibration examples)나 클라이언트 간 샘플 교환이 필요하지 않습니다. 정확한 선택은 이전 모델 및 현재 라운드의 FedAvg 후보보다 높은 평가된 훈련 손실을 보장하지 않으며, 이는 전역 최적성(global-optimality), 정상성(stationarity), 일반화(generalization), 또는 차분 프라이버시(differential-privacy)를 보장하는 것은 아닙니다. 우리는 조건부 클라이언트 호환성 및 근사 선택 경계(approximate-selection bounds)를 제시하고, 참고 알고리즘을 위해 수정된 변환 항등식과 별도의 전체 기울기 보호 정리(full-gradient safeguard theorem)를 유지합니다. 상호 보완적인 입력-지지 예시(complementary input-support example)는 공유 절대값 회귀(shared absolute-value regression)를 복구하며, 매칭된 직접 미세 조정(matched direct fine-tuning) 역시 이를 해결합니다.
합성 지지 작업, 기록된 활동 인식 피험자, 그리고 참여 및 미래 가스 센서 배치에 걸쳐, 우리는 보정 데이터 없이 다섯 가지 방법, 다섯 가지 시드, 두 개의 네트워크 너비, 그리고 20 라운드를 평가했습니다. 너비가 16일 때, CovFedAvg는 참여 가스(participating-Gas)의 거시 균형 정확도(macro balanced accuracy)를 FedAvg의 88.88%에서 89.84%로 높였으며, 매칭된 분산 미세 조정은 91.65%에 도달했습니다. 결과는 실현 가능성과 FedAvg 대비 적당한 이점을 보여주지만, 동등하게 비용이 많이 드는 최적화 방식 대비 곡선 특이적인 우위를 확립하지는 못합니다. 정확 합계 수치 실험(Exact-sum numerical experiments)은 데이터 흐름을 확립하며, 종단 간 프라이버시(end-to-end privacy)를 위해서는 추가적인 메커니즘과 분석이 필요합니다.