연방 학습 (Federated Learning, FL) 은 의료 응용 분야에서 큰 잠재력을 가지고 있습니다. 그러나 의료 기관 간 통계적 이질성은 연방 학습에 대한 주요 도전 과제로 작용하며, 전역 모델은 보이지 않는 환자 인구 집단을 일반화하는 동시에 개별 병의 고유한 데이터 분포에 적응하는 데 어려움을 겪습니다. 이러한 이질성은 전역 및 지역 수준 모두에서 망각 (forgetting) 을 악화시키며, 모델 업데이트 후 이전에 학습된 환자 패턴이 오분류됩니다. 기존 연구는 일반적으로 일반화와 개인화를 별개의 도전 과제로 취급해 왔지만, 우리는 전역 모델과의 선택적 정렬과 수정된 집계 스키엄을 통해 두 가지 사이의 더 나은 균형을 달성할 수 있음을 보여줍니다. 이는 통계적 이질성의 영향을 완화합니다. 구체적으로, FedKPer 를 소개하며, 각 로컬 장치의 학습 단계에 지식 개인화 (Knowledge Personalization) 를 도입합니다. 그 후, 일반화는 신뢰성 있고 라벨 다양성이 높은 로컬 업데이트를 강조하는 전역 모델 집계 과정을 통해 고려됩니다. 우리는 FedKPer 의 성능을 평가하고, 망각의 일반적인 결과와 관련된 추가 지표를 개발했습니다. 전체적으로, FedKPer 는 리텐션 (Retention) 을 희생하지 않으면서 일반화-개인화 트레이드오프를 개선함을 입증합니다.