분할 탐색의 비용
모든 특징의 분할 후보마다 자료를 훑어 정보 이득을 추정하면 고차원 대규모 자료에서 비용이 커진다. 연구는 표본 수와 특징 수 양쪽을 줄이는 두 접근을 결합했다.
기울기 기반 표본 추출
GOSS는 작은 기울기를 가진 예시의 상당 부분을 제외하고 남은 자료로 정보 이득을 추정한다. 큰 기울기의 예시가 정보 이득 계산에 미치는 역할을 활용하는 방식이다.
상호 배타적 특징 묶기
EFB는 동시에 0이 아닌 값을 거의 갖지 않는 특징을 묶어 특징 수를 줄인다. 최적 묶기 문제는 NP-난해하지만 탐욕적인 근사로 분할 정확도의 손실을 작게 유지하는 구성을 연구했다.