연합학습(Federated Learning)은 데이터를 중앙 서버로 전송하지 않고, 클라이언트에서 학습한 로컬 모델을 FedAVG(Federated Averaging) 방식으로 통합하여 글로벌 모델을 업데이트하는 분산형 학습 방식이다. FedAVG는 클라이언트 간 데이터 분포가 유사하거나 독립적인 경우에는 우수한 성능을 보이지만, 실제 의료환경과 같이 데이터가 비독립적(Non-IID)이거나 불균형한 경우에는 성능 저하 문제가 발생한다. 본 연구에서는 Non-IID 및 불균형 데이터 환경에서도 성능 저하를 최소화하기 위해, 스태킹 앙상블(Stacking Ensemble) 기법을 적용한 생존분석 기반 연합학습 모델을 제안한다. 실험 데이터는 실제 의료 환경을 반영하여 각 클라이언트의 데이터 크기와 분포를 상이하게 구성하였으며, 실험을 통해 제안한 스태킹 앙상블 기반 연합학습 방법이 기존의 FedAVG 방식보다 Non-IID 및 불균형 데이터 환경에서 더 우수한 성능을 나타냄을 확인하였다.