예측 집합 기반 최적 의사결정 프레임워크와 위험 최소화 알고리즘

초록

본 논문은 예측 집합의 커버리지 보장을 활용해 하위 의사결정 문제를 최소최대 위험(minimax) 관점에서 해결한다. 고정된 집합에 대해 최악의 기대 손실을 폐쇄형식으로 표현하고(ℓ_in + α·(ℓ_out−ℓ_in)_+), 이를 기반으로 최적 정책 π*와 위험을 도출한다. 이후 위험을 최소화하는 최적 예측 집합 설계 문제를 정식화하고, 이중성 이론을 이용해 해를 구한다. 최종적으로 ROCP(Risk‑Optimal Conformal Prediction) 알고리즘을 제안해, 제한된 샘플에서도 분포‑자유한 마진 커버리지를 유지하면서 위험 최소화 집합을 생성한다. 의료 진단 및 안전‑중요 시스템 실험에서 기존 방법 대비 위험과 치명적 오류를 크게 감소시킨다.

상세 분석

이 연구는 “예측 집합 → 행동”이라는 두 단계 파이프라인을 게임 이론적으로 모델링한다. 자연(Nature)은 주어진 α‑미스커버리지 제약 하에, 집합 S에 최소 1‑α 확률을 할당하면서 손실을 최대화하는 분포 Q를 선택한다. 저자들은 이 최악의 기대 손실 L_S(a;α)를 ℓ_in^S(a)+α·(ℓ_out^S(a)−ℓ_in^S(a))_+ 로 간단히 정리한다(Lemma 2.1). 여기서 ℓ_in은 집합 안에서의 최악 손실, ℓ_out은 집합 밖에서의 최악 손실을 의미한다. α가 작아도 ℓ_out이 크게 차이날 경우, α·(ℓ_out−ℓ_in) 만큼의 ‘벌점’이 가해져, 순수한 max‑min 규칙이 위험 회피에 실패하는 상황을 보완한다.

Theorem 2.2는 이 폐쇄형식을 모든 x∈X에 적용해, 최적 정책 π가 각 입력 x에 대해 a∈A 중 L_{C(x)}(a;α)를 최소화하는 행동을 선택함을 증명한다. 위험은 sup_x min_a L_{C(x)}(a;α) 로 표현되며, 적대자는 전체 특성 분포를 위험이 가장 큰 x에 집중시켜 최악 상황을 만들 수 있다. 이는 “가장 위험한 사례에 대비하는” 보수적 전략을 정량화한다.

다음 단계에서는 예측 집합 자체를 설계한다. 기존의 컨포멀 집합은 크기나 평균 커버리지만을 최적화하지만, 여기서는 위험 최소화라는 목적 함수를 직접 도입한다. 집합 설계 문제를 (6)식으로 정형화하고, 함수적 이중성(Fenchel‑Rockafellar)과 무작위 커널 완화 기법을 이용해 강한 이중성을 확보한다. 결과적으로 최적 커버리지 할당 t(x)는 ℓ_in과 ℓ_out의 차이에 비례하는 임계값 형태를 띤다(정리 3.3).

실제 알고리즘인 ROCP는 블랙박스 확률 모델로부터 조건부 확률 추정치를 얻고, 보정된 스코어를 통해 α‑레벨 컨포멀 임계값을 계산한다. 교정 단계는 기존의 교차‑검증 기반 컨포멀 방법과 동일하게 교정 집합을 사용해 마진 커버리지를 보장한다. 따라서 ROCP는 “위험‑최적” 집합을 생성하면서도 유한 표본에 대해 분포‑자유한 보장을 유지한다.

실험에서는 의료 영상 진단(암 여부)과 자율 주행 시뮬레이션(충돌 회피) 두 도메인을 선택했다. 손실 함수는 일반적인 정확도 손실 외에 ‘치명적 오류’(오진·충돌)에는 높은 가중치를 부여했다. 결과는 ROCP가 기존 컨포멀(전통적 max‑min) 및 위험 회피(RAC) 방법에 비해 α·ℓ_out 벌점을 효과적으로 감소시켜, 전체 기대 위험을 10‑20% 낮추고, 특히 치명적 오류 비율을 절반 이하로 감소시켰다. 이는 위험‑민감한 실제 시스템에서 예측 집합을 어떻게 설계해야 하는지에 대한 실용적 가이드를 제공한다.