다변량 컨포멀 예측을 위한 커널 비적합도 점수 (MKS)

다변량 컨포멀 예측(Multivariate Conformal Prediction)은 다차원 데이터셋의 불확실성 범위를 추정하는 데 필수적입니다. 이 과정에서 핵심적인 요소는 잔차 벡터를 스칼라 값으로 압축하면서도 원래 분포가 가진 중요한 기하학적 구조를 보존할 수 있는 비적합도 점수(nonconformity score)입니다.

본 논문에서는 이러한 요구사항을 충족하는 새로운 **다변량 커널 점수 (Multivariate Kernel Score, MKS)**를 제안합니다. MKS는 예측 영역이 데이터의 실제 기하학적 구조에 명시적으로 적응하도록 설계되었습니다.

주요 특징 및 이론적 성과:

1. 베이즈-빈도주의 통합: MKS가 산출하는 점수는 가우시안 프로세스 (Gaussian Process, GP)의 사후 분산(posterior variance)과 유사한 특성을 보입니다. 이는 베이즈 통계학에서 요구되는 불확실성 정량화와 빈도주의적 방법론에서 제공하는 커버리지 보장이라는 두 가지 강력한 장점을 하나의 프레임워크로 통합함을 의미합니다.
2. MMD 분해: MKS는 비등방성 최대 평균 불일치(anisotropic Maximum Mean Discrepancy, MMD)로 분해될 수 있습니다. 이 구조 덕분에 커널 밀도 추정(kernel density estimation)과 공분산 가중 거리(covariance-weighted distance) 사이의 유연한 보간이 가능합니다.
3. 차원 독립성 (Dimension-Free Adaptation): 가장 중요한 이론적 기여 중 하나는, MKS가 제공하는 커버리지 보장 및 수렴 속도가 데이터의 주변 차원($D$)에 의존하지 않고, 대신 커널 기반 공분산 연산자(kernel-based covariance operator)의 **유효 랭크 (effective rank)**에만 의존한다는 것을 증명했다는 점입니다. 이는 고차원 환경에서도 모델이 안정적으로 작동하며 차원에 구애받지 않는 적응성을 보장합니다.
4. 실용적 성능 향상: 회귀(regression) 작업에서 MKS를 적용했을 때, 기존의 타원형(ellipsoidal) 기준선 방식과 비교하여 예측 영역의 부피(volume)가 현저하게 줄어드는 것을 확인했습니다. 특히 차원이 높고 커버리지 수준을 더 엄격하게 유지해야 하는 환경일수록 이러한 성능 향상 폭이 크게 나타납니다.

결론적으로, MKS는 다변량 컨포멀 예측의 이론적 기반을 강화하고 실용적인 성능까지 입증한 핵심 도구입니다. 이는 복잡한 고차원 데이터에서 신뢰할 수 있는 불확실성 구간을 추정하는 데 혁신적인 방법을 제공합니다.