본 논문은 자기 지도 학습(SSL)에서의 평가 방식의 한계점을 지적하고, 이를 개선하기 위한 새로운 평가 프레임워크를 제시합니다. 기존의 고정된 벤치마크 기반 평가는 AI 연구의 궁극적인 목표인 "모든 가능한 작업 해결"과의 차이를 보이며, 연구자들이 다양한 평가 과제를 찾는 데 많은 노력을 기울이게 만듭니다. 이에 본 논문은 작업 분포와 사전 확률(Task Priors)을 도입하여 가능한 모든 하위 작업의 확률적 공간을 정의합니다. 이를 통해 모델의 모든 가능한 하위 작업에 대한 평균 성능 및 분산을 평가할 수 있습니다. 이는 모든 가능한 하위 작업에서의 모델 성능을 평가하고, 특히 자기 지도 학습 연구의 발전에 기여할 것으로 기대됩니다.
