본 논문은 그래프 구조 데이터에서의 예측 불확실성을 정량화하기 위해 그래프 신경망(GNNs)에 준거적 예측(conformal prediction) 기법을 적용한 새로운 방법론을 제시합니다. 기존 GNNs의 한계점인 불확실성 추정의 어려움과 실제 데이터의 조건부 분포 변화(conditional shift) 문제를 해결하기 위해, 조건부 분포 변화를 최소화하는 새로운 손실 함수를 도입하여 GNNs의 예측 성능을 향상시키는 CondSR (Conditional Shift Robust) 방법을 제안합니다. CondSR은 모델에 독립적이며 다양한 분류 모델에 적용 가능하며, 노드 분류 작업에서 최첨단 GNN 모델의 정확도를 최대 12% 향상시키고, 예측 집합 크기를 최대 48% 줄이는 효과를 보였습니다.
