본 논문은 분산된 클라이언트의 방대한 비표지 데이터를 활용하면서 데이터 프라이버시를 보장하는 유망한 프레임워크인 연합 활성 학습(FAL)의 한계점을 해결하기 위해 연구되었습니다. 특히, 클라이언트가 상당한 로컬 데이터셋을 보유한 크로스-사일로 환경에서 높은 주석 비용과 통신 집약적인 샘플링 프로세스는 실제 배포의 제약이 됩니다. 본 논문은 주석 작업을 최소화하면서 통신 비용을 줄이는 최적의 방법을 제시하고자 합니다. 기존 FAL 방법들은 활성 샘플링과 연합 업데이트를 분리하는 반복적인 주석 프로세스에 의존하여 많은 라운드의 비용이 많이 드는 통신과 주석을 초래합니다. 이에 본 논문에서는 기초 모델을 활용하여 1차적으로 약한 라벨링을 수행하고, 그 후 가장 불확실한 샘플에 집중하는 2차 정제 과정을 거치는 2단계 FAL 프레임워크인 FAST를 제시합니다. 기초 모델의 표현 지식을 활용하고 정제 단계를 간소화된 워크플로우에 통합함으로써 FAST는 반복적인 활성 샘플링으로 인한 오버헤드를 크게 줄입니다. 다양한 의료 및 자연 이미지 벤치마크에 대한 광범위한 실험을 통해 FAST가 제한된 5% 라벨링 예산 하에서 기존 FAL 방법보다 평균 4.36% 향상된 성능을 보이며 통신 라운드를 8배 줄이는 것을 보여줍니다.
