본 논문은 자기 지도 학습(SSL)에서의 평가 방법론의 한계를 지적하고, 모든 가능한 하위 작업에 대한 모델 성능을 평가할 수 있는 새로운 프레임워크를 제시합니다. 기존의 고정된 하위 벤치마크 기반 평가 방식의 한계를 극복하기 위해, 작업의 확률 분포와 작업 사전(Task Priors)을 도입하여 하위 작업의 확률적 공간을 정의합니다. 이를 통해 모든 가능한 하위 작업에 대한 모델의 평균 성능 및 분산을 계산하고 평가할 수 있습니다. 이러한 새로운 평가 기준은 자기 지도 학습 연구의 발전에 기여할 것으로 기대됩니다.
