본 논문은 교환 가능성을 가정하여 점 예측에 유효한 예측 집합을 추가함으로써 기계 학습 모델의 불확실성을 정량화하는 합치 예측에 대해 다룹니다. 다중 시행, 모델 또는 데이터 소스가 포함된 복잡한 시나리오에서, 합치 예측 집합을 집계하여 전반적인 불확실성을 포착하는 예측 집합을 생성할 수 있으며, 종종 정밀도를 향상시킵니다. 그러나 개별 $1-\alpha$ 적중률을 가진 여러 예측 집합을 집계하면 전반적인 보장이 약화되어 일반적으로 $1-2\alpha$ 최악의 경우 적중률이 발생합니다. 본 연구에서는 각 예측 집합에 기여도를 기반으로 가중치를 할당하는 가중 집계 프레임워크를 제안합니다. 이 프레임워크는 집합을 집계하는 방법을 유연하게 제어하여 가중치 분포에 따라 결합된 모델의 $1-2\alpha$ 보장과 개별 모델의 $1-\alpha$ 보장 사이를 보간하는 더 엄격한 적중률 경계를 달성합니다. 데이터 종속 가중치로 프레임워크를 확장하고, 유한 샘플 유효성을 유지하는 데이터 종속 가중치 집계를 위한 일반적인 절차를 도출합니다. 전문가 혼합 설정에서 합성 데이터와 실제 데이터에 대한 실험을 통해 방법의 효과를 보여주고, 데이터 종속 가중치를 사용한 집계가 적응형 적중률의 형태를 제공함을 보여줍니다.
