연구진은 수직 연합 학습(VFL)에서 불필요한 통신 비용을 줄이기 위해 두 단계의 추론 프로토콜을 제안했어요. 첫 번째 단계는 클라이언트의 예측을 기반으로 하고, 두 번째 단계는 정확도 향상을 기대할 때만 실행돼요. 이 방법을 기대 이득 점수 추정으로 표현하며, 기존 방법보다 통신-정확도 균형을 개선해요.
연구는 기존 신뢰도 기반 라우팅 방식의 한계를 극복하기 위해 설계됐으며, VFL 모델의 신뢰도와 풀링된 포스터리어를 활용해 해석 가능한 라우터를 만들었어요. 별도의 라우팅 네트워크 훈련 없이도 작동해요.
다양한 다중 뷰 분류 벤치마크 실험 결과, 제안된 라우터는 신뢰도 기반, 학습 이득 기반, 연기 기반 방식보다 통신-정확도 균형을 개선하는 것으로 나타났어요.