Conformal Bayes는 베이지안 사후 예측 분포(Bayesian posterior predictives)와 컨포멀 교정(conformal calibration)을 결합하여, 통계적으로 유효하면서도 기하학적으로 효율적인 예측 집합(prediction sets)을 생성합니다. 본 연구에서는 레이블 시프트(label shift) 상황에서의 Conformal Bayes를 통합적인 관점에서 연구하며, 중요도 가중 컨포멀 교정(importance-weighted conformal calibration)을 통해 명목 타겟 도메인 커버리지(nominal target-domain coverage)를 복원하는 두 가지 상호 보완적인 접근 방식을 식별하지만, 이들은 서로 독립적인 메커니즘을 통해 작동합니다. extit{사후 교정 (Post-hoc calibration)}은 파라미터 사후 분포(parameter posterior)를 변경하지 않은 채, 사후 예측 분포를 타겟 도메인 쪽으로 기울이고 중요도 가중 분위수(importance-weighted quantile)를 통해 컨포멀 임계값(conformal threshold)을 수정합니다. extit{학습 중 적응 (In-training adaptation)}은 파라미터 사후 분포 자체를 타겟 도메인으로 기울여 수정된 예측 분포를 생성하며, 이의 최고 예측 밀도(highest predictive density) 영역은 적합된 타겟 예측 하에서의 최고 예측 밀도(HPD) 기반 예측 집합 역할을 합니다. 효율성은 모델에 따라 달라지며 유한 표본 조건부 최적성(finite-sample conditional optimality)을 의미하지는 않습니다. 두 가지 통제된 실험 결과, 편향되지 않은 학습 체제(unbiased training regime)에서는 두 전략 모두 동일하게 유효한 커버리지를 달성하는 반면, 리드 최적화 체제(lead-optimization regime)에서는 학습 중 적응이 디바이아싱 연산자(debiasing operator)로 작용하여 커버리지를 유지하면서도 구간 너비(interval width)를 줄이는 것으로 나타났습니다.