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.