분포 변화 (Distribution Shift) 상황에서의 성능 추정 (Performance estimation)은 훈련 데이터와 분포가 다른 라벨이 없는 테스트 세트에서 모델이 어떻게 동작할지를 예측하는 것을 목표로 합니다. 이러한 시나리오에서는 정답 라벨 (Ground-truth labels) 없이도 모델의 동작을 충실히 반영할 수 있는 신뢰할 수 있는 지표가 필요합니다. 기존의 접근 방식들은 주어진 모델의 출력값에만 전적으로 의존하는데, 이는 분포가 변화할 때 모델의 편향 (Bias)이 증폭되어 실제 성능과의 상관관계가 약화되는 문제를 가집니다. 이러한 한계에 착안하여, 우리는 외부 파운데이션 모델 (Foundation model)과 베이스 모델 (Base model)의 상호 보완적인 강점을 활용하여 정답 라벨의 더 신뢰할 수 있는 대리물 (Surrogate)을 구축하는 FRAP (Fused Reference Alignment Prediction)을 제안합니다. FRAP은 두 모델 간의 발산 (Divergence)을 최소화하는 온도 스케일링 교정 (Temperature-scaled calibration)을 적용하여 파운데이션 모델의 예측 분포를 베이스 모델의 예측 분포와 정렬 (Align)합니다. 정렬된 예측값들은 신뢰도 기반 가중치 (Confidence-based weighting)를 통해 융합되어, 파운데이션 모델의 강건성 (Robustness)과 베이스 모델의 도메인 특화 전문 지식 (Domain-specific expertise)이 통합된 정제된 참조 분포 (Refined reference distribution)를 형성하며, 베이스 모델의 예측이 이 참조 분포와 얼마나 일치하는지를 측정함으로써 성능 추정을 수행합니다. 다양한 데이터셋과 아키텍처에 걸친 광범위한 실험을 통해, FRAP이 분포 변화 상황에서 기존의 대표적인 성능 추정 방법론들보다 일관되고 상당한 개선을 제공함을 보여줍니다.