本稿では、フェデレーティッドラーニングにおける低ランク適応（LoRA）の手法を提案し、異種性を持つクライアントからの集約において直面する三つの重要な課題を解決するための新しいフレームワークILoRAを紹介します。具体的には、無作為な初期化による不安定性、異なるランクのLoRAパラメータを平均する際のランク不適合と集約誤差、非IIDデータ下でのクライアントドリフトを論じています。ILoRAは、QRベースの直交初期化、連結QR集約メカニズム、ランク意識型のAdamW最適化手法を統合し、情報を保持しつつ次元の整合性を確保します。理論的な収束保証をもとに広範な実験を行った結果、ILoRAは既存のフェデレーティッドLoRA手法よりも優れた精度と収束の安定性を実現しています。