관련된 시계열의 관측치를 활용하여 시계열 예측에서의 불확실성 정량화 문제를 다룬다. 그래프 표현을 활용하는 관계형 심층 학습 방법은 시공간 데이터와 상관된 시계열로부터 점 추정치를 얻는 가장 효과적인 도구 중 하나이지만, 이러한 예측의 불확실성을 추정하기 위해 관계 구조를 활용하는 문제는 같은 맥락에서 크게 간과되어 왔다. 본 논문에서는 준거 예측 프레임워크와 분위수 회귀를 기반으로 하는 새로운 분포-자유 접근 방식을 제안한다. 기존의 순차 데이터에 대한 준거 예측의 응용에도 불구하고, 기존 방법은 각 타겟 시계열에 대해 독립적으로 작동하며 예측 구간을 구성할 때 그들 간의 관계를 고려하지 않는다. 본 논문에서는 그래프 심층 학습 연산자를 기반으로 하는 새로운 준거 예측 방법을 제시하여 이러한 공백을 메운다. Conformal Relational Prediction (CoRel)이라 명명된 이 방법은 관계 구조(그래프)를 사전에 알 필요가 없으며, 사전 훈련된 예측기 위에 적용될 수 있다. 또한, CoRel은 비교환 가능한 데이터와 입력 시계열의 변화를 처리하기 위한 적응적 구성 요소를 포함한다. 제안된 방법은 정확한 적용 범위를 제공하고 관련 벤치마크에서 최첨단 불확실성 정량화를 달성한다.
