Federated Learning(FL)は、昨今関心が高まっているプライバシ情報保護に対処した分散学習手法である．FLはクライアントがデータを保持するという制約により、クライアント間でのデータの不均一性に対して脆弱である．そこで本論文ではデータの不均一性に対処するため、新たなモデルの集約手法を提案する。各々のクライアントのパラメータの情報量に応じて、グローバルモデルの更新への、それらのパラメータの貢献度合いを変更する。Cifar10とCifar100を用いた分類タスクでの実験により、本手法が特定のケースで従来手法より有効であることを示す。