이 논문에서는 FedAND라는 통합형 연합 학습 최적화 알고리즘을 제안하여 부분적인 클라이언트 참여 하에 발생하는 클라이언트 드리프트와 서버 드리프트 문제에 대응한다. 연합 학습은 개인 정보 보호 문제와 모바일 컴퓨팅으로 인해 인기를 얻고 있지만, 여전히 이질적이고 분산된 데이터로 인한 한계에 직면하고 있다. FedAND는 Consensus ADMM을 활용하며 서버 상태의 전역 업데이트에서 발생하는 서버 드리프트를 해결한다. 부분 참여하에서 FedAND는 ADMM의 강력한 수렴 특성을 유지하면서 서버 드리프트를 억제하고, 이로 인해 클라이언트 드리프트를 감소시켜 더 나은 수렴을 달성함을 보였다. 실험 결과에서는 FedAND가 통계 및 시스템 이질성의 다양한 시나리오에서 부분 클라이언트 참여 하에 다른 방법론들인 FedProx, FedADMM, FedPD 및 FedDyn에 비해 우수한 성능을 보였다.