기계 학습 모델의 예측을 이후 통계 분석의 입력 데이터로 사용하는 경우, 기계 학습 예측의 오류를 제대로 고려하지 않으면 표준 통계 절차가 유효하지 않다는 문제점을 지적합니다. 이 논문은 기존의 Predict-Then-Debias 추정기를 확장하여 불균등한 표본(가중, 계층화, 또는 클러스터링) 데이터와 임의의 특징 부분 집합이 추정되는 설정에 적용 가능한 부트스트랩 신뢰 구간을 소개합니다. 이는 기계 학습 모델의 품질에 대한 어떠한 가정도 없이 유효한 신뢰 구간을 제공하며, 기계 학습 예측을 사용하지 않는 방법보다 넓지 않은 구간을 보장합니다.
