제한된 데이터 환경에서 강건한 외삽을 위한 Conformalised Imprecise Inference

최근 불확실성 정량화 (Uncertainty Quantification) 분야의 발전은 머신러닝 (Machine Learning)에서 우연적 불확실성 (Aleatory Uncertainty)과 인식적 불확실성 (Epistemic Uncertainty) 사이의 구분을 점점 더 강조하고 있으며, 이는 더욱 통합된 프레임워크의 필요성을 자극하고 있습니다. 그러나 신뢰할 수 있는 예측을 생성하는 데 있어 많은 진전이 있었음에도 불구하고, 기존 방법론들은 훈련 도메인을 벗어나 일반화할 때 엄격한 보장 (Rigorous Guarantees)이 부족한 경우가 많습니다. 본 논문에서는 강건한 외삽 (Robust Extrapolation)을 위해 모델 불가지론적 (Model-agnostic)이며, 예측 모델에 부정확성 (Imprecision)과 거리 인식 (Distance Awareness)을 증강하는 Conformalised Imprecise Inference 프레임워크를 제안합니다. 제안된 접근 방식은 분포 변화 (Distributional Shift) 하에서도 유효하게 유지되는 부정확한 예측 (Imprecise Predictions, Probability Boxes)을 생성하며, 외삽 영역에서 불확실성을 적응적으로 확장하면서 커버리지 (Coverage)를 유지합니다. 합성 데이터 및 벤치마크 데이터셋에 대한 실험을 통해, 특히 데이터가 제한된 상황에서 표준 확률론적 접근 방식 (Standard Probabilistic Approaches)과 비교하여 향상된 강건성과 신뢰할 수 있는 커버리지를 입증하였습니다.