다변수 Conformal Prediction: 데이터 분할 없는 예측 집합 최적화

요약

본 논문은 기존 Conformal prediction이 스칼라 점수 함수와 단일 임계값 변수에 제한되어 데이터 분할(data splitting)에 의존하는 한계를 극복하기 위해 multi-variable conformal prediction (MCP) 프레임워크를 제안합니다. MCP는 시나리오 이론을 기반으로 예측 집합 설계와 교정을 하나의 최적화 문제로 통합하여, 커버리지 보장을 유지하면서 데이터 분할 없이 작동합니다. 연구진은 두 가지 효율적인 변형 모델인 RemMCP(제약 최적화 기반)와 RelMCP(반복 최적화 기반)를 제시하고, 이를 통해 타원체 및 다중 모드 예측 집합에 대해 높은 성능을 입증했습니다.

핵심 포인트

• Multi-variable Conformal Prediction (MCP)은 기존의 스칼라 점수 함수 한계를 극복합니다.
• MCP는 시나리오 이론을 활용하여 예측 집합 설계와 교정을 단일 최적화 문제로 통합합니다.
• 데이터 분할(data splitting) 없이도 커버리지 보장을 유지하는 것이 핵심 목표입니다.
• RemMCP는 제약 최적화를 통해 Split Conformal Prediction의 일반화를 제공하며, RelMCP는 비볼록 점수 함수를 지원합니다.