선택적 예측기(Selective predictors)는 확신이 있는 입력에 대해서는 답변하고, 그렇지 않은 경우에는 답변을 거부(abstain)합니다. 이를 안전하게 배포하기 위해서는 선택된 리스크(selected risk)의 상한을 제한하고, 수락 확률 $\pacc$가 하한 $\pmin$ 이상이 되도록 하한을 설정하며, 배포 유틸리티(deployment utility)의 하한을 동시에 보장하는 단일 유한 표본 인증서(finite-sample certificate)가 필요합니다. 이 인증서는 $\ncert$개의 표본에 대해 $m$개의 쌍으로 구성된 유한 그리드(finite grid)로부터 적응형 임계값 선택(adaptive threshold selection)을 수행하더라도 유효해야 합니다. 본 논문에서는 선택된 리스크를 Hoeffding 방식의 범위 상한(range bound)을 통해 다루는 대신, 비율(ratio)로 직접 취급함으로써 유계(bounded)이면서 비단조(non-monotone)일 수 있는 손실 함수에 대한 이러한 인증서를 제공합니다. 이 구성은 세 가지 신뢰 구간(confidence bounds)을 결합합니다: 비율 리스크(ratio risk)에 대한 분산 적응형 경험적-Bernstein 상한(variance-adaptive empirical-Bernstein bound), 수락(acceptance)에 대한 Clopper--Pearson 상한, 그리고 유틸리티에 대한 양측 근접성 상한(two-sided closeness bound)입니다. 이들은 결합되어 인증된 정책(certified policy)의 유틸리티를 절대적으로, 그리고 extit{인증된 집합(certified set)} 내 최적값의 $2\gammau$ 이내로 하한을 설정하며, 실행 가능한 경우 두 경우 모두 공허하지 않습니다(non-vacuous). 영역 범위 내의 세 번째 단계(regime-scoped third leg)는 외부 오라클(external oracle)과 일치하며, 리스크 마진 $\gammar < α$인 경우에만 정보를 제공하고 주요 작동 지점에서는 공허합니다. 범위만을 사용하는 Hoeffding-비율 구성과 비교했을 때, 본 방식은 수락 하한(acceptance-floor)에 대한 의존성을 $1/\pmin$에서 $1/\sqrt{\pmin}$으로 정밀화하며, 폐쇄형 추론(closed-form corollary)을 통해 우리의 리스크 상한이 Hoeffding 공형 리스크 제어(Hoeffding--CRC) 선택적 상한보다 우세하게 되는 쌍별 영역(per-pair regime)을 식별합니다. 실험적으로, ImageNet(세 개의 ResNets) 및 COCO val 2017 panoptic 데이터셋에서 이 인증서는 Hoeffding--CRC 대비 $+22$ pp의 인증된 수락 경계(certified-acceptance frontier)를 열어주며, 공허하지 않은 일치-유효(matched-valid) 베이스라인보다 ${\approx}10{\times}$ 더 정밀합니다. 이러한 이점은 보편적인 것이 아니라 영역 범위 내(regime-scoped)에 국한되며, ADE20K에서는 나타나지 않습니다. 인증기(certifier)는 $O(\ncert m)$ 시간에 실행됩니다.