본 논문은 점진적인 분포 변화 하에서 머신러닝 모델의 성능 모니터링 문제를 연구합니다. 점진적인 분포 변화는 시간에 따라 환경이 서서히 변화하여 정확도가 눈에 띄지 않게 저하되는 현상을 말합니다. 이를 해결하기 위해, 본 논문은 최적 수송을 이용하여 점진적인 변화를 모델링함으로써 성능 변화를 추정하는 새로운 레이블 없는 방법인 Incremental Uncertainty-aware Performance Monitoring (IUPM)을 제안합니다. IUPM은 성능 예측의 불확실성을 정량화하고, 제한된 레이블링 예산 하에서 신뢰할 수 있는 추정을 복원하기 위한 능동적 레이블링 절차를 도입합니다. 실험 결과, IUPM은 다양한 점진적 변화 시나리오에서 기존 성능 추정 기준보다 우수한 성능을 보이며, 불확실성 인식 기능을 통해 다른 전략보다 효과적으로 레이블 획득을 안내합니다.
