본 논문은 활성 학습(AL)의 성능을 평가하는 새로운 방법론인 PALM (Performance Analysis of Active Learning Models)을 제시합니다. 기존의 AL 평가 방식이 최종 정확도에만 집중하는 한계를 극복하고자, PALM은 달성 가능한 정확도, 범위 효율성, 초기 성능, 확장성이라는 네 가지 주요 매개변수를 통해 AL 학습 과정의 역동성을 특징짓는 통합적이고 해석 가능한 수학적 모델을 제시합니다. 부분적인 관측치로부터 AL의 행동을 예측적으로 설명하여 향후 성능을 추정하고 서로 다른 전략 간의 원칙적인 비교를 가능하게 합니다. CIFAR-10/100 및 ImageNet-50/100/200 데이터셋에서 다양한 AL 방법과 자기 지도 학습 임베딩을 사용한 광범위한 실험을 통해 검증되었으며, 제한된 레이블 데이터로부터 전체 학습 곡선을 정확하게 예측하는 일반화 성능을 보여줍니다. PALM은 학습 효율성, 데이터 공간 범위, AL 방법의 확장성에 대한 중요한 통찰력을 제공하여 비용 효율적인 전략 선택과 제한된 예산 조건 하에서의 성능 예측을 가능하게 합니다. 따라서 연구 및 실제 응용 분야 모두에서 AL의 체계적이고 재현 가능하며 데이터 효율적인 평가를 위한 기반을 마련합니다. 소스 코드는 GitHub에서 공개됩니다.
