본 논문은 생물 음향 사건 탐지(BioSED) 모델 개발 및 훈련 과정에서 발생하는 주석 데이터 부족, 드문 사건, 종 다양성, 클래스 불균형과 같은 문제점들을 해결하기 위해, 위원회 투표 불일치 및 다양성 분석을 통합한 능동 학습 방법인 mismatch-first farthest-traversal (MFFT)을 적용합니다. 또한, 능동 학습 알고리즘 평가를 위해 기존 BioSED 데이터셋을 개선하였습니다. 실험 결과, MFFT는 전체 주석의 2.3%만 사용하면서 cold-start 시 mAP 68%, warm-start 시 mAP 71%를 달성하였으며(전체 지도 학습 mAP 75%에 근접), 특히 멸종 위기종 모니터링에 중요한 cold-start 시나리오 및 희귀 종에서 우수한 성능을 보였습니다.
