본 논문은 기계 학습 응용 프로그램의 신뢰성을 위해 신뢰할 수 있는 불확실성 정량화의 중요성을 강조합니다. 귀납적 Conformal Prediction (ICP)은 사용자가 지정한 신뢰 수준으로 예측 집합 또는 구간을 생성하는 분포-자유 프레임워크를 제공하지만, 표준 ICP 보장은 한계적이며 일반적으로 유효성을 유지하기 위해 각 새로운 예측에 대해 새로운 교정 집합이 필요합니다. 본 논문은 Hoeffding의 부등식과 함께 e-conformal prediction을 사용하여 원하는 적용 범위를 유지할 높은 확률로 단일 교정 집합을 반복적으로 사용할 수 있음을 보여줌으로써 이러한 실질적인 한계를 해결합니다. CIFAR-10 데이터 세트에 대한 사례 연구를 통해 심층 신경망을 훈련하고 교정 집합을 사용하여 Hoeffding 보정을 추정합니다. 이 보정을 통해 수정된 Markov의 부등식을 적용하여 정량화 가능한 신뢰도를 갖는 예측 집합을 구성할 수 있습니다. 결과는 반복적인 교정의 필요성을 줄임으로써 conformal prediction의 실용성을 향상시키면서 입증 가능한 성능을 유지하는 실행 가능성을 보여줍니다. 본 연구의 코드는 공개적으로 제공됩니다.
