연합 학습 (Federated Learning, FL)은 이질적인 클라이언트 데이터로 인해 일반화 (Generalization)에 어려움을 겪는 경우가 많습니다. 로컬 모델은 자신의 로컬 데이터 분포에 과적합 (Overfitting)되기 쉬우며, 전이 가능한 특징 (Transferable features)조차 집계 (Aggregation) 과정에서 왜곡될 수 있습니다. 이러한 문제를 해결하기 위해, 우리는 글로벌 모델의 파라미터 강도 (Parameter strength)에 따라 업데이트 크기를 적응적으로 조절하는 방식인 FedCONST를 제안합니다. 이는 이미 잘 학습된 파라미터가 과도하게 강조되는 것을 방지하는 동시에, 아직 충분히 발달하지 않은 파라미터를 강화합니다. 구체적으로, FedCONST는 선형 볼록 제약 조건 (Linear convex constraints)을 채택하여 집계 과정 중 학습 안정성을 보장하고 로컬에서 학습된 일반화 능력을 보존합니다. 또한, 그래디언트 신호 대 잡음비 (Gradient Signal to Noise Ratio, GSNR) 분석을 통해 특징 전이성 (Feature transferability)과 강건성 (Robustness)을 향상시키는 FedCONST의 효과를 추가로 검증합니다. 결과적으로 FedCONST는 로컬 및 글로벌 목표를 효과적으로 정렬하여, 과적합을 완화하고 다양한 FL 환경에서 더 강력한 일반화를 촉진함으로써 최첨단 (State-of-the-art) 성능을 달성합니다.