협업 추론 (Collaborative inference)은 에이전트 간의 상호 보완적인 정보를 통합함으로써 예측 성능을 향상시킬 수 있지만, 모든 샘플에 협업 융합 (collaborative fusion)을 적용하는 것은 불필요한 통신 및 계산 오버헤드를 발생시킬 수 있습니다. 이러한 트레이드오프 (trade-off)는 클라이언트가 동일한 샘플에 대해 서로 다른 뷰 (views)를 관찰하며, 융합을 위해 일반적으로 서버로 중간 표현 (intermediate representations)을 전송해야 하는 수직적 연합 학습 (Vertical Federated Learning, VFL)에서 특히 중요합니다. 본 연구에서는 2라운드 VFL 추론 프로토콜에서의 선택적 에스컬레이션 (selective escalation)을 연구합니다. 이 프로토콜에서 저비용의 첫 번째 라운드는 클라이언트 사후 확률 (posteriors)로부터 예측을 생성하며, 두 번째 임베딩 융합 (embedding-fusion) 라운드는 최종 결정의 개선이 기대될 때만 호출됩니다. 우리는 라우팅 (routing)을 기대 이득 점수 추정 (expected-gain score estimation)으로 공식화합니다. 즉, 예측된 정확도 개선이 추가적인 통신 비용을 정당화할 때 샘플이 에스컬레이션됩니다. 제안된 분석적 점수는 보정된 풀링된 사후 확률 (calibrated pooled posterior)과 VFL 모델의 클래스별 신뢰도 추정치 (classwise reliability estimates)를 결합하며, 이 두 가지 모두 홀드아웃 보정 데이터 (held-out calibration data)로부터 얻어집니다. 이를 통해 별도로 학습된 라우팅 네트워크가 필요 없는 해석 가능한 라우터 (interpretable router)를 제공합니다. 통제된 테스트 시간 뷰 저하 (test--time view degradation) 설정을 포함한 다중 뷰 분류 벤치마크에서의 실험 결과, 제안된 라우터가 신뢰도 기반 (confidence-based), 학습된 이득 기반 (learned-gain-based), 그리고 유예 기반 (deferral-based) 베이스라인들에 비해 통신-정확도 트레이드오프 (communication-accuracy trade-off)를 개선함을 보여줍니다.