고차원에서도 가능한 모델 무관 예측 구간 MAPS 알고리즘

초록

본 논문은 고차원 입력을 갖는 회귀·분류 문제에서 사전 가정 없이 조건부 예측 구간을 제공하는 MAPS 알고리즘을 제안한다. 핵심 아이디어는 훈련된 예측 모델의 점예측값과 실제 응답 사이의 관계를 “lifted predictive model”(LPM)이라 정의하고, 이를 기반으로 부트스트랩 기반 데이터 분할과 비모수 추정으로 조건부 커버리지를 보장한다. 이론적으로 비대칭·이분산 오류를 허용하며, 점예측 정확도에 따라 구간 길이가 자동 조정된다. 실험에서는 시뮬레이션, 신경망 기반 베이즈 추정, 이미지 분류에 적용해 기존 방법보다 더 좁은 구간과 조건부 커버리지를 달성함을 보인다.

상세 분석

MAPS는 기존의 컨포멀 프레딕션(CP)이나 스플릿 CP(SCP)와 달리 “조건부” 커버리지를 목표로 한다는 점에서 차별화된다. 논문은 먼저 응답 Y와 고차원 특징 X 사이의 전통적인 회귀 함수 f(x)=E