신용 점수 산정, 사기 탐지, 의료 및 산업 안전 분야의 고위험 의사결정 시스템(High-stakes decision systems)은 심각한 클래스 불균형(class imbalance)과 비대칭적 오류 비용(asymmetric error costs) 하에서 신뢰할 수 있는 불확실성 정량화(uncertainty quantification)를 요구합니다. 표준적인 한계 컨포멀 예측(marginal conformal prediction, CP)은 유효한 전체 커버리지(coverage) 보장을 제공하지만, 본 연구에서는 이것이 희귀하고 비용이 많이 드는 소수 클래스(minority classes)에 대해 커버리지를 심각하게 과소 제공하며, 특정 데이터셋에서는 소수 클래스 커버리지가 0.5%까지 떨어질 수 있음을 보여줍니다. 이러한 한계를 규명하고 해결하기 위해, 우리는 15개의 실제 불균형 정형 데이터셋(tabular datasets), 7개의 분류 모델(classification models), 3개의 확률 교정(probability calibration) 기술, 10개의 랜덤 시드(random seeds)를 사용하여 한계 CP, 클래스 조건부(Mondrian) CP, 그리고 비용 제어 기권(cost-controlled abstention) 메커니즘을 비교하는 종합적인 벤치마크를 수행하였으며, 총 3,150회의 실험을 진행했습니다. 연구 결과, Mondrian CP는 유효한 소수 클래스 커버리지를 복원하며, 한계 CP 대비 평균 소수 클래스 커버리지를 61.7%포인트 개선하는 것으로 나타났습니다 (p < 1e-80). 나아가, Mondrian CP를 비용 제어 기권과 결합하면 현실적인 인간 검토 예산(human review budgets) 하에서 표준 의사결정 경계(decision boundaries), 신뢰도 기반 거부기(confidence-based rejectors), 그리고 리스크 제어 거부기(risk-controlled rejectors)와 비교했을 때 기대 의사결정 비용을 유의미하게 감소시킵니다. 우리는 또한 모호한 사례를 인간 전문가에게 위임하는 것이 비용 효율적이게 되는 데이터셋별 손익분기점(break-even thresholds)을 정량화했습니다. 이러한 발견은 고위험 의사결정 지원 시스템에서 분포 무관(distribution-free) 및 비용 인식(cost-aware) 불확실성 정량화를 배포하기 위한 실질적인 지침을 제공합니다.