베이지안 최적화 (Bayesian optimization, BO)는 가우시안 프로세스 (Gaussian process, GP) 예측 분포를 사용하여 비용이 많이 드는 블랙박스 목적 함수 (black-box objectives)에 대한 평가 지점을 선택합니다. 커널 (Kernel) 선택 및 하이퍼파라미터 (hyperparameter) 선택은 예측 분포의 교정 오류 (miscalibrated predictive distributions)와 부적절한 탐색-활용 (exploration-exploitation) 트레이드오프를 초래할 수 있습니다. 최소화 문제의 경우, 기대 개선 (expected improvement, EI)과 같은 샘플링 기준은 현재 최적값보다 낮은 예측 분포에 의존하므로, 하위 꼬리 (lower-tail) 교정 오류는 샘플링 결정에 직접적인 영향을 미칩니다. 본 논문은 최대 가능도 (maximum likelihood)에 의해 선택된 하이퍼파라미터를 가진 표준 GP 모델에 대해, 노이즈가 없는 (noiseless) 설정에서 낮은 임계값 $t$ 미만의 GP 예측 분포에 대한 목표 지향적 교정 (goal-oriented calibration)을 연구합니다. 공간적 교정 (spatial calibration)의 두 가지 개념인 설계 공간 (design space)에 대한 발생 교정 (occurrence calibration)과 하위 수준 집합 (sublevel sets) 형태인 ${x\in\mathbb{X}, f(x)\le t}$에 대한 임계값 적용 $\mu$-교정 ($\mu$-calibration)을 기반으로 한 $t$ 미만에서의 예측 신뢰성 (predictive reliability) 프레임워크를 소개합니다. 이 프레임워크를 바탕으로, 우리는 $t$ 미만의 GP 예측 분포를 교정하는 사후 처리 (post-hoc) 방법인 tcGP를 제안하며, 그 결과로 도출된 EI 기반 전역 최적화 (global optimization) 알고리즘이 설계 공간에서 조밀함 (dense)을 유지함을 보여줍니다. 표준 벤치마크에 대한 실험을 통해 표준 GP 모델 및 전역 교정 (globally calibrated) GP 모델과 비교하여 개선된 하위 꼬리 교정 및 BO 성능을 입증합니다.