조건부 생성 모델을 위한 적응형 클러스터 기반 밀도 추정 컨포멀 예측

초록

본 논문은 조건부 생성 모델의 불확실성을 정량화하기 위해, 모델이 생성한 샘플에 클러스터링 기반 밀도 추정을 적용한 새로운 컨포멀 예측 방법 CP4Gen을 제안한다. 기존의 확률적 컨포멀 예측(PCP)보다 외란에 강하고, 예측 집합의 부피와 구조 복잡도를 크게 감소시킨다. 실험 결과는 기후 에뮬레이션 등 실제 데이터에서도 CP4Gen이 우수한 커버리지와 해석 가능성을 제공함을 보여준다.

상세 분석

본 연구는 조건부 생성 모델이 제공하는 다중 샘플을 활용해 비정형 출력 공간에 대한 신뢰 구간을 구성하는 방법론적 공백을 메운다. 기존 컨포멀 예측은 회귀·분류와 같이 단일값 예측에 초점을 맞추었으며, 확률적 컨포멀 예측(PCP)은 각 샘플을 중심으로 동일 반경의 구를 결합해 예측 집합을 만든다. 그러나 이러한 접근은 고차원·다중모드 분포에서 외란 샘플에 의해 부피가 과도하게 확대되고, 구조가 복잡해지는 단점을 가진다.

CP4Gen은 이러한 한계를 극복하기 위해 두 단계의 핵심 아이디어를 도입한다. 첫째, 생성 모델이 출력한 M개의 샘플에 대해 K‑means 클러스터링을 수행한다. 각 클러스터는 가우시안 혼합 모델(GMM)의 한 컴포넌트로 간주되며, 클러스터 평균 μ_k와 공분산 Σ_k, 그리고 클러스터 비중 w_k를 추정한다. 둘째, 비정형 샘플에 대한 비순응 점수(s_i)를 “‑log Σ_k w_k·𝒩(y_i; μ_k, Σ_k)” 형태로 정의한다. 이는 샘플이 가장 높은 밀도 영역에 속할 확률을 로그 스케일로 변환한 것으로, 기존 PCP가 각 샘플을 개별 가우시안(σ²I)으로 모델링한 것과 달리 지역적 공분산 구조를 반영한다.

핵심 파라미터 K는 클러스터 수로, 외란에 대한 민감도와 예측 집합의 구조 복잡도를 조절한다. K를 M으로 설정하면 CP4Gen은 PCP와 동일해지며, K를 작게 잡을수록 클러스터가 더 큰 영역을 포괄해 외란 샘플을 억제한다. 실험에서는 사전 데이터(D_p)를 이용해 K를 그리드 탐색하고, 최소 부피를 달성하는 K를 선택한다. 또한, β²I와 같은 작은 정규화 항을 추가해 공분산 행렬의 양정성을 보장한다.

이론적으로는 분할 컨포멀(prediction) 프레임워크를 채택해, 전체 데이터셋을 학습용(D_p)과 보정용(D_c)으로 나누고, 한 번만 모델을 학습함으로써 계산 비용을 크게 절감한다. 비순응 점수의 1‑α 분위수를 보정셋에서 추정하고, 새로운 입력에 대해 클러스터 기반 가우시안 혼합 모델의 등고선을 역변환해 예측 집합을 구성한다. 결과적으로 예측 집합은 K개의 타원(ellipsoid) 혹은 구의 합집합 형태가 되며, 이는 고차원 공간에서도 시각적·해석적 직관을 제공한다.

실험에서는 합성 2‑D·10‑D 데이터와 기후 다운스케일링, 강수량 예측 등 실제 응용 사례에 CP4Gen을 적용했다. 평가 지표는 (1) 커버리지(목표 1‑α 수준), (2) 평균 부피, (3) 구조 복잡도(클러스터 수와 형태)이다. 모든 실험에서 CP4Gen은 PCP 대비 평균 부피를 20‑40% 감소시키고, 구조 복잡도는 K에 따라 1‑10배까지 감소시켰다. 특히 고차원(>50) 데이터에서는 PCP가 과도하게 분산된 구 집합을 생성하는 반면, CP4Gen은 적은 수의 타원으로 핵심 밀도 영역을 효과적으로 포착했다. 이는 실제 의사결정 상황에서 불필요한 불확실성 영역을 배제하고, 모델 출력에 대한 신뢰도를 높이는 데 기여한다.

요약하면, CP4Gen은 (1) 생성 모델의 샘플을 활용한 밀도 추정, (2) 클러스터 기반 가우시안 혼합 모델링, (3) 분할 컨포멀 프레임워크를 결합해, 고차원·다중모드 출력에 대해 이론적 보장을 유지하면서도 실용적인 부피와 복잡도 감소를 달성한 혁신적인 방법이다.