개인 정보 및 보안에 대한 관심이 증가하면서, 기계 학습 훈련을 위한 대량의 데이터의 전송 및 저장에 대한 우려가 증가함에 따라 연합 학습의 개념이 제안되었다. 연합 학습에서는 기기들이 다양한 환경에 분산되어 있어 기기 간에 데이터 이질성 발생한다. 이 이질성은 학습을 불안정하게 만들고 결과적으로 전역 모델의 정확도를 감소시킨다. 본 논문에서는 데이터 이종 환경에서 발생하는 문제를 해결하기 위해 적응형 통합 알고리즘을 제안한다. 제안하는 알고리즘은 지역 모델들을 하나의 전역 모델로 통합할 때 전역 모델과 지역 모델 사이의 차이 또는 지역 모델들 간의 차이를 고려하여 각 클라이언트에게 적합한 통합 가중치를 부여한다. 우리는 실험을 통해 제안하는 알고리즘이 이종 환경에서 기존의 연합 학습 알고리즘들과 비교해 최종 전역 모델의 성능을 향상시키고 학습을 안정화시키는 것을 보인다. 게다가, 제안하는 알고리즘은 프록시 데이터나 어떤 추가 정보 없이 동작하고 가혹한 환경에서도 견고하게 동작한다.