SPACR: 불확실성을 인식하는 Conformal Regressor의 단일 패스 적응형 학습
요약
SPACR은 Conformal Prediction의 사후적 적용 한계를 극복하기 위해 제안된 새로운 회귀 모델 학습 방법론입니다. 미분 가능한 손실 함수를 통해 학습 과정에서 불확실성을 직접 최적화하며, 단일 패스로 다양한 신뢰 수준에 대응합니다.
핵심 포인트
- 사후적 적용 없이 학습 단계에서 불확실성 보장 통합
- 배치 분할이나 사전 신뢰 수준 정의 없이 효율성/타당성 최적화
- 추론 시 재학습 없이 여러 신뢰 수준의 예측 구간 생성 가능
- 기존 CP 및 DOICR 대비 계산 비용 절감 및 좁은 구간 제공
Conformal Prediction (CP)는 예측 모델에 대해 강력한 불확실성 보장 (uncertainty guarantees)을 제공하지만, 일반적으로 사후적 (post hoc)으로 적용됩니다. 이는 효율적인 (즉, 좁은) 구간을 생성하려는 Conformal 목표와 모델 학습 사이의 불일치를 야기합니다. 본 논문에서는 미분 가능한 손실 함수 (differentiable loss) 내에서 불확실성을 인식하는 회귀 모델을 직접 학습시키는 새로운 방법론인 SPACR (Single-Pass Adaptive Conformal Regressor)을 제안합니다. SPACR는 학습 과정에서 배치 분할 (batch-splitting)이나 사전 정의된 신뢰 수준 (confidence levels) 없이 효율성 (efficiency)과 타당성 (validity)을 공동으로 최적화합니다. 그 결과, 단일 SPACR 모델은 추론 시 여러 신뢰 수준에서 유효한 예측 구간을 생성하며, DOICR와 같은 방법에서 요구되는 비용이 많이 드는 재학습 과정을 피할 수 있습니다. 다양한 데이터셋에 대한 실험 결과, SPACR는 표준 CP 및 DOICR과 비교하여 계산 비용을 크게 줄이면서도 일관되게 더 좁은 구간과 더 나은 커버리지-효율성 트레이드오프 (coverage-efficiency trade-offs)를 제공함을 보여줍니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기