본 논문은 기존의 Conformal Prediction (CP)이 불확실성을 서열적으로만 나타내고 정량적으로 표현하지 못하는 한계를 극복하기 위해 범주 이론적 접근 방식을 제시합니다. CP를 두 개의 새롭게 정의된 범주 내의 사상(morphism)으로 구성된 가환 다이어그램(commuting diagram)에 삽입하여, CP가 본질적으로 불확실성을 정량적으로 측정하는 메커니즘임을 보여줍니다. 또한, CP가 베이지안, 주파수주의, 불확실성 확률 접근 방식을 연결하거나 아우르는 역할을 한다는 점과, CPR이 공변 함수(covariant functor)의 이미지라는 점을 밝힙니다. 후자의 결과는 AI 프라이버시에 대한 시사점을 제공합니다.
