본 논문은 분산된 클라이언트의 방대한 비표식 데이터를 활용하면서 데이터 프라이버시를 보장하는 유망한 프레임워크인 연합 활성 학습(FAL)의 한계점을 해결하고자 한다. 특히, 클라이언트가 상당한 로컬 데이터셋을 보유한 크로스-사일로 설정에서 높은 주석 비용과 통신 집약적인 샘플링 프로세스로 인해 실제 배포가 제한된다는 점에 주목한다. 이를 해결하기 위해, 본 논문은 주석 작업량을 최소화하면서 통신 비용을 줄이는 최적 방법을 제시하는 FAST라는 새로운 두 단계 FAL 프레임워크를 제안한다. FAST는 기초 모델을 활용하여 1차적으로 약한 라벨링을 수행하고, 그 후 불확실한 샘플에 집중하여 세밀하게 조정하는 2단계 과정으로 구성된다. 이를 통해 반복적인 활성 샘플링으로 인한 오버헤드를 크게 줄이고, 제한된 라벨링 예산(5%) 하에서 기존 방법보다 평균 4.36% 향상된 성능을 보이며 통신 라운드를 8배 감소시킨다.
