본 논문은 연합 학습 환경에서의 활성 학습(Federated Active Learning, FAL)에 초점을 맞추고 있습니다. 특히, 데이터 라벨링 비용이 높은 상황에서 효과적인 전략을 제시하고자 합니다. 기존의 저예산 활성 학습 전략인 TypiClust를 FAL 환경에 적용하여 그 효과를 검증하였으며, 다른 방법들에 비해 TypiClust가 저예산 FAL 환경에서 우수한 성능을 보임을 실험적으로 확인하였습니다. 또한, FAL 환경에서 발생하는 데이터의 이질성과 typicality의 분포 변화에도 TypiClust가 상대적으로 덜 취약함을 보였으며, 특징 추출 방법에 대한 민감도 분석을 통해 제한된 데이터 상황에서도 FAL을 수행할 수 있는 방법을 제시합니다.