본 논문은 의료 영상 판독 지원 시스템과 같이 중요한 분야에서 딥러닝 모델의 신뢰성을 높이기 위해, 도메인 변화에 강건한 콘포멀 예측 프레임워크인 Conformal Ensemble of Vision Transformers (CE-ViTs)를 제안합니다. CE-ViTs는 HAM10000, Dermofit, Skin Cancer ISIC 등 다양한 데이터셋으로 학습된 비전 트랜스포머 모델들의 앙상블을 사용하여 도메인 적응 및 모델 강건성을 향상시키고, 콘포멀 학습을 통해 불확실성을 고려합니다. 실험 결과, 제안된 프레임워크는 HAM10000 모델 대비 9.95% 향상된 90.38%의 높은 적용률을 달성하여, 예측 집합에 참값이 포함될 가능성이 높음을 보여줍니다. 또한, 어려운 오분류 샘플에 대한 평균 예측 집합 크기를 1.86에서 3.075로 증가시켜 콘포멀 예측 성능을 향상시켰습니다.
