딥러닝 능동 학습 모델은 소량의 데이터로 인해 모델 편향과 '과신 현상'이 발생하여 성능 저하를 겪는 문제가 있습니다. 본 발명은 이러한 문제점을 해결하고 모델의 예측 정확도를 높이는 혁신적인 방법을 제시합니다. 본 기술은 입력 및 중간 특징 공간에서 교차 증강 기법을 활용하여 '가상 증강 데이터'와 '가상 증강 레이블'을 생성합니다. 이를 통해 모델 학습 과정의 안정성을 대폭 향상시키고, 제한된 데이터만으로도 훈련 분포를 확장하여 과신 현상을 효과적으로 방지합니다. 또한, '순위 마진 샘플링'에 기반한 확실성 인식 함수를 도입하여, 잘못된 예측에 대한 과신을 유발하는 데이터를 정확히 식별하고 학습에서 제외합니다. 이로써 모델 성능 개선에 가장 유익한 샘플만을 선별하여, 딥러닝 모델의 일반화 능력과 신뢰도를 획기적으로 개선합니다. 적은 데이터셋으로도 높은 성능을 달성하는 최적의 능동 학습 솔루션을 제공합니다.