본 논문은 생물음향 사건 탐지(BioSED) 모델 개발 및 훈련 과정에서 발생하는 주석 데이터 부족, 드문 사건, 종 다양성, 클래스 불균형과 같은 문제점을 해결하기 위해 활성 학습 방법인 mismatch-first farthest-traversal (MFFT)을 적용한 연구를 제시합니다. MFFT는 위원회 투표 불일치 및 다양성 분석을 통합하는 방법으로, 제한된 주석 예산으로 효율적으로 문제를 해결합니다. 또한, 활성 학습 알고리즘 평가를 위해 기존 BioSED 데이터셋을 개선하였습니다. 실험 결과, MFFT는 전체 감독 학습의 mAP 75%에 근접한 71%의 mAP를 2.3%의 주석만 사용하여 달성하였으며, 특히 콜드 스타트 시나리오와 희귀 종에서 우수한 성능을 보였습니다.
