本研究提出了OPUS-VFL机制，旨在解决垂直联邦学习中的激励不足、隐私与效用权衡及客户端资源异质性问题。该机制根据模型贡献、隐私保护和资源投资进行奖励，实验结果表明其在效率和鲁棒性方面优于现有基线，具有创新性和实用性。

提出了一种创新的垂直联邦学习 (VFL) 模型架构，能够在常见情况下进行操作。通过利用一个能够处理缺少标记数据的联邦状况的 FCN，以及与承载分类所需特征的中央服务器私密共享权重的方式，实现图像分割并保持准确性。在 CamVid 数据集上进行了测试，以确定在联邦之间传输信息所需的特征压缩的影响，并在此类约束条件下对整体性能指标作出合理的结论。