본 논문은 고위험 환경에서 인공지능(AI)/머신러닝(ML) 시스템의 안전한 배포를 위해 지속적인 배포 후 모니터링의 중요성을 강조하며, 비모수적 변화점 검출을 위한 통계적 방법, 특히 conformal test martingales (CTMs)와 anytime-valid inference 도구를 제시합니다. 기존 방법들의 한계점인 제한적인 가설 클래스 또는 경보 기준, 온라인 적응의 부재, 원인 분석의 어려움을 극복하기 위해, 가중 일반화 conformal test martingales (WCTMs)를 제안합니다. WCTMs는 데이터 분포의 예상치 못한 변화점에 대한 온라인 모니터링을 위한 이론적 토대를 제공하며, 오경보를 제어합니다. 특히, 온라인으로 경미한 공변량 변화에 적응하면서 개념 변화나 극단적인 공변량 변화와 같은 심각한 변화를 빠르게 감지하고 진단하는 WCTM 알고리즘을 제안하고, 실제 데이터셋을 통해 기존 최첨단 방법보다 향상된 성능을 보여줍니다.
