기존 액티브 러닝은 초기 후보 모델을 활용해 샘플을 선택하지만, 이번 연구에서는 초기 후보 모델 없이 CNN과 트랜스포머를 활용했어요. 실험 결과, 로우 컨피던스(LC) 샘플링 전략이 가장 좋은 성능을 보여줬어요. LC 전략은 후보 모델 없이도 액티브 러닝의 효과를 낼 수 있음을 입증했어요. 연구는 기존 액티브 러닝 프레임워크의 효율성과 유연성을 높이는 데 기여할 것으로 보입니다.