본 논문은 Neyman-Pearson Lemma를 활용하여 선택적 분류(selective classification)에서 최적의 선택 함수를 설계하는 방법을 재검토합니다. 불확실한 예측을 회피함으로써 예측 모델의 신뢰성을 높이는 선택적 분류에서 기존의 사후 선택 기준들의 동작을 통합하고 새로운 접근 방식을 제시합니다. 특히, 테스트 시점의 입력 분포가 훈련 시점과 다른 공변량 이동(covariate shift) 상황에 중점을 두고, 다양한 시각 및 언어 작업(지도 학습 및 시각-언어 모델 포함)에서 제안된 방법을 평가합니다. 실험 결과, Neyman-Pearson 기반 방법이 기존 기준보다 일관되게 우수한 성능을 보임을 보여주며, 공변량 이동 하에서 선택적 분류를 개선하는 강력한 메커니즘으로서 likelihood ratio 기반 선택을 제시합니다. 코드는 공개적으로 제공됩니다.
