컨포멀 선택 (Conformal selection)은 거짓 발견율 (False Discovery Rate, FDR)을 제어하면서, 미지의 응답이 타겟 영역에 속하는 테스트 후보를 식별하는 것을 목표로 합니다. 기존 방법들은 종종 컨포멀 예측 (Conformal prediction)으로부터 잔차 (Residual) 또는 클리핑된 잔차 (Clipped residual) 점수와 같은 예측 중심의 비적합도 점수 (Nonconformity scores)를 상속받습니다. 우리는 선택을 위한 자연스러운 점수는 대신 타겟 멤버십 확률 (Target-membership probability)이라고 주장합니다. 이 점수는 선택되는 이진 이벤트 (Binary event)를 직접적으로 다루며, 이 점수의 모든 단조 변환 (Monotone transform)은 고정된 영가설 선택 수준 (Null selection level)에서 네이만-피어슨 오라클 순위 (Neyman--Pearson oracle ranking)를 제공합니다. 이러한 차이는 기존 점수들이 본질적으로 동일한 순위를 유도하는 평균-단조 (Mean-monotone) 타겟의 경우에는 무관하지만, 예측 중심의 점수가 선택력 (Selection power)과 일치하지 않을 수 있는 구간 값 (Interval-valued), 분산 주도형 (Variance-driven), 다중 모드 (Multimodal) 또는 다중 조건 (Multi-condition) 타겟의 경우에는 중요해집니다. 우리는 멤버십 점수 기반의 컨포멀 선택을 연구하고, 하나의 컨포멀 교정 경로인 영가설 교정 컨포멀 선택 (Null-Calibrated Conformal Selection, NCCS)을 분리해냈으며, 이는 확인된 비타겟 교정 예시 (Confirmed non-target calibration examples)에 대해 테스트 점수의 순위를 매깁니다. 영가설 교환 가능성 (Null exchangeability) 하에서, NCCS는 유한 표본 유효 영 p-값 (Finite-sample valid null p-values)을 생성하며, 이는 임의의 의존성 하에서 BY 방법과 결합하거나 표준 양의 의존성 조건 하에서 BH 방법과 결합될 수 있습니다. 실험은 이 점수 원칙을 뒷받침합니다: 멤버십 점수는 평균-단조 타겟에서는 기존 점수와 일치하며, 분산 주도형 타겟에서는 평균 점수 선택보다 실질적으로 개선됩니다. 또한 NCCS에 의해 교정될 경우, 직접적인 경험적 FDP 임계값 설정 (Empirical-FDP thresholding)이 반-보수적 (Anti-conservative)일 수 있는 희귀 타겟 영역에서 유한 표본 영 유효성 (Finite-sample null validity)을 위해 검정력 (Power)을 절충합니다.