조건부 커버리지를 위한 형태 적응형 최소극대화 캘리브레이션 프레임워크

**1. 서론 및 배경** 예측 집합을 구성하는 conformal prediction은 분포에 무관한 마진 커버리지를 제공한다. 그러나 마진 커버리지는 개별 샘플이나 특정 그룹에 대해 불균형하게 작동할 수 있다. 테스트‑조건부 커버리지를 만족하려면 P{Y∈C(X)|X}=1−α 를 거의 확실히 보장해야 하는데, 이는 무한히 큰 집합을 제외하고는 불가능하다는 기존 이론적 한계가 있다. 따라서 근사적·점근적 조건부 커버리지를 목표로 하는 다양한 방법이 제안되었지만, 대부분은 사전에 정의된 점수 함수 s(x,y)의 서브레벨 집합에 제한된다. 이는 특히 다변량 출력에서 형태(비율, 회전 등)를 조정하지 못한다는 구조적 제약을 만든다. 또한, Z가 X와 겹치지 않는 경우(예: 민감 속성) 기존 방법은 Z를 직접 사용하지 못한다. **2. 문제 정의 및 기존 접근** 조건부 커버리지는 (1) P{Y∈C(X)|Z}=1−α 로 일반화될 수 있다. 이를 주변 모멘트 제약 (2) E