본 논문은 기존 생성 모델의 한계인 통계적 신뢰성과 불확실성 정량화 부족을 해결하기 위해, Conformal Prediction 기법을 Generative Adversarial Networks (GANs)에 통합한 새로운 프레임워크인 Conformalized GAN (cGAN)을 제시합니다. Inductive Conformal Prediction (ICP), Mondrian Conformal Prediction, Cross-Conformal Prediction, 그리고 Venn-Abers Predictors 등 다양한 Conformal Prediction 방법론을 통합하여 생성된 샘플에 대한 분포-자유 불확실성 정량화를 수행합니다. cGAN은 기존 GAN의 생성 능력을 유지하면서 향상된 보정 특성을 보여주며, 검증 가능한 통계적 보장을 가진 합성 데이터를 생성합니다. 유한 샘플 유효성 보장 및 점근적 효율성 속성을 증명하는 엄격한 수학적 증명을 제공하여 의료, 금융, 자율 시스템 등 고위험 영역에서 합성 데이터의 신뢰할 수 있는 적용을 가능하게 합니다.
