본 논문은 산업 시스템의 안전성과 신뢰성을 위해 필수적인 결함 감지 분야에서 기존 진단 모델의 한계점인 엄격한 위험 관리 및 신뢰할 수 있는 불확실성 정량화 부재 문제를 해결하고자 제안되었다. 특히 분포 변화와 같은 복잡한 상황에서의 문제점을 다룬다. 이를 위해, 본 논문은 유의성 검정과 conformal prediction 프레임워크를 통합하여 공식적인 위험 보장을 제공하는 새로운 결함 감지 방법을 제시한다. 모델 잔차를 기반으로 비일치 측정값을 정의하여 결함 감지를 가설 검정 작업으로 변환하고, 보정 데이터 세트를 활용하여 새로운 샘플에 대한 p-값을 계산한다. 이 p-값을 이용하여 사용자가 지정한 확률 $1-\alpha$로 참 레이블을 포함하도록 수학적으로 보장되는 예측 집합을 구성한다. 이후, 구성된 예측 집합과 미리 정의된 정상 및 결함 레이블 집합의 교집합을 분석하여 결함 분류를 수행한다. 교차 도메인 결함 진단 작업에 대한 실험 결과는 제안된 방법의 이론적 특성을 검증하며, 기본 점 예측 모델의 성능이 저조하더라도 공칭 수준 ($1-\alpha$) 이상의 경험적 적중률을 일관되게 달성함을 보여준다. 또한, 사용자 정의 위험 수준 ($\alpha$)과 효율성 간의 제어 가능한 절충 관계를 보여주는데, 위험 허용 범위가 높을수록 평균 예측 집합 크기가 작아진다. 본 연구는 명시적인 위험 관리를 가능하게 하는 이론적으로 엄격한 결함 감지 프레임워크를 제공하여 안전 중요 응용 분야에서 진단 시스템의 신뢰성을 높이고 단순한 점 예측에서 정보적이고 불확실성을 고려한 출력으로 분야를 발전시킨다.
