뒤로가는 컨포멀 예측

초록

본 논문은 예측 집합의 크기를 사전에 제어하면서도 교환가능성 하에 마진 커버리지를 보장하는 새로운 프레임워크인 “뒤로가는 컨포멀 예측(Backward Conformal Prediction)”을 제안한다. 데이터에 의존적인 크기 제약 규칙 T를 정의하고, 이를 만족하도록 적응적으로 미커버리지 \tildeα 를 선택한다. 또한 캘리브레이션 데이터를 이용한 리프‑원‑아웃 추정량 \hatα^{LOO} 를 도입해 실제 적용 시 커버리지 보장을 계산 가능하게 만든다. 이론적 분석과 실험을 통해 제안 방법이 기존 컨포멀 예측 대비 작은 집합을 제공하면서도 원하는 수준의 커버리지를 유지함을 입증한다.

상세 분석

이 논문은 전통적인 컨포멀 예측이 “커버리지를 고정하고 집합 크기를 자유롭게” 하는 방식에서 벗어나, “집합 크기를 먼저 고정하고 커버리지를 사후 조정”하는 역방향 설계를 제시한다. 핵심 아이디어는 두 단계로 구성된다. 첫째, 캘리브레이션 데이터와 테스트 특징 X_test 에 기반해 허용 가능한 최대 집합 크기를 반환하는 함수 T (크기 제약 규칙)를 정의한다. 이 규칙은 고정값일 수도, 데이터 의존적일 수도 있다. 둘째, 주어진 T 에 맞추어 미커버리지 \tildeα 를 최소화하는 적응적 임계값을 선택한다. 여기서 사용되는 핵심 도구는 e‑value 기반의 컨포멀 e‑prediction이다. 논문은 Gauthier et al. (2025)의 결과를 활용해, 임의의 데이터 의존적 \tildeα 에 대해
\