本稿では、非IIDデータ環境におけるフェデレーテッドファインチューニング（FFT）に関する新しいフレームワークOvA-LPを提案します。従来の手法では、クライアント間の非均一性（ローカルドリフト）により、グローバルモデルが体系的なバイアスとバリエーションの増幅に悩まされることがあります。本研究では、最初にドリフトを抑えることを目指したOvA-LPを導入します。このフレームワークは、固定されたエンコーダーと「一対全体」のヘッドを用いたリニアプロービングを結合し、簡単な二段階手法を採用することで、事前学習された特徴構造を保持しつつドリフトのメカニズムを分離します。CIFAR-100データセットにおいて、OvA-LPはIID精度の95.9%を保ち、従来のFFT手法に比べて著しく優れた結果を示しました。また、対称および非対称のラベルノイズに対しても高い耐性を維持します。このように、OvA-LPは異質な環境下での堅牢なFFTのための原則的かつ効率的な基盤を提供します。