近年、連合学習においてクライアント間のデータ偏在（Non-IID）がグローバルモデルの性能劣化を引き起こすことが指摘されている。本研究では、拡散モデル（Diffusion Model）によって生成したサンプルを用いて、クライアントごとのデータ分布不均衡を補完する手法を検討する。各通信ラウンドにおいて不足クラスの生成画像を追加学習に用いることで、モデルの表現力と再現性の向上を図る。評価として、従来手法との比較により、FID・Precision・Recallなどの指標を用いて性能変化を分析する。提案手法がNon-IID環境下における精度低下の抑制に寄与し得ることを示すことを目的とする。