머신러닝 시스템의 실제 적용에 있어 모델 성능의 정확한 평가는 필수적이며, 이를 위해 충분한 라벨링된 테스트 세트가 필요하다. 그러나 대규모 라벨링 데이터셋 구축의 어려움으로 인해, 제한된 라벨 데이터로 평가해야 하는 경우가 있다. 본 연구에서는 고품질 데이터 합성을 가능하게 하는 생성 모델을 활용하여, 제한된 라벨 데이터 환경에서 훈련된 모델의 테스트 오류를 추정하는 방법을 체계적으로 연구한다. 특히, 합성 데이터를 고려한 새로운 일반화 경계를 개발하고, 이를 통해 평가를 위한 합성 샘플 최적화 방법을 제시한다. 제안하는 방법은 이론적 근거를 바탕으로 하며, 실험을 통해 기존 방법들보다 정확하고 신뢰할 수 있는 테스트 오류 추정 결과를 보여준다.
