본 논문은 베이지안 신경망(BNNs)과 딥 앙상블(DEs)의 모델 평균화에 대한 크리달 집합 표현을 구성하는 혁신적인 접근 방식인 크리달 래퍼(credal wrapper)를 제시합니다. 이는 분류 작업에서 불확실성 추정을 개선하는 데 목적이 있습니다. BNNs 또는 DEs에서 도출된 유한한 단일 예측 분포 집합을 고려하여, 제안된 크리달 래퍼 접근 방식은 제한된 수의 분포의 가용성으로 인한 인식론적 불확실성을 인정하면서 클래스별 상한 및 하한 확률 경계를 추출합니다. 클래스에 대한 이러한 확률 구간은 볼록 확률 집합(크리달 집합)에 매핑될 수 있으며, 이를 통해 교차 확률 변환이라는 변환을 사용하여 고유한 예측을 얻을 수 있습니다. 본 논문에서는 여러 개의 이상치 탐지 벤치마크에 대한 광범위한 실험을 수행합니다. 여기에는 다양한 데이터 세트 쌍(CIFAR10/100 대 SVHN/Tiny-ImageNet, CIFAR10 대 CIFAR10-C, CIFAR100 대 CIFAR100-C, ImageNet 대 ImageNet-O)과 VGG16, ResNet-18/50, EfficientNet B2, ViT Base와 같은 다양한 네트워크 아키텍처가 포함됩니다. 제안된 크리달 래퍼 방법은 BNN 및 DE 기준선과 비교하여 불확실성 추정에서 우수한 성능을 보이며 손상된 데이터에 대한 예상 교정 오류를 낮춥니다.
