모델 보정(Model Calibration)을 위한 커널 밀도 추정(Kernel Density Estimation)에서의

딥러닝 모델이 고위험 애플리케이션(high-stakes applications)에 점점 더 많이 배치됨에 따라, 잘 보정된 불확실성 추정치(uncertainty estimates)를 제공하는 것이 높은 예측 정확도를 달성하는 것만큼이나 중요해졌습니다. 커널 밀도 추정(Kernel Density Estimation, KDE)은 오보정(miscalibration)을 정량화하기 위해 전통적인 빈닝(binning) 방식에 대한 매끄럽고 연속적인 대안으로 등장했지만, 그 신뢰성은 커널 대역폭(kernel bandwidth)의 선택에 크게 의존합니다. 최대 우도 추정(Maximum Likelihood Estimation, MLE)과 같은 표준 선택 기법은 보정 작업에 최적화된 대역폭을 생성하는 데 종종 실패합니다. 본 연구에서는 KDE로 재구성된 리스크(risk)를 경험적 리스크(empirical risk)와 정렬함으로써 최적의 대역폭을 결정하는 새로운 최적화 프레임워크인 리스크 정렬(Risk Alignment, RA)을 소개합니다. 우리는 이러한 정렬이 데이터 분포 전반에 걸쳐 보정 추정 편향(calibration estimation bias)을 최소화한다는 것을 이론적으로 입증하며, 까다로운 사례인 정준 보정 오차(canonical calibration error)를 포함하여 다양한 지표에 적용 가능한 원칙적인 대역폭 선택 기준을 확립합니다. 다양한 아키텍처와 데이터셋에 걸친 광범위한 실험을 통해 RA가 표준 대역폭 선택 방법보다 일관되게 우수한 성능을 보이며, 더 신뢰할 수 있는 보정 평가를 제공함을 보여줍니다.