본 논문은 기존 머신러닝 모델 검증에서 평균 제곱 오차(MSE)나 평균 절대 오차(MAE)와 같은 평균 지표에 의존하는 방식의 한계를 지적하며, 극단적인 오류(worst-case prediction failures)의 가능성을 정량적으로 평가하는 새로운 통계적 프레임워크를 제시합니다. 극값 이론(Extreme Value Theory, EVT)에 기반한 이 프레임워크는 합성 및 실제 데이터셋에 적용하여 치명적인 오류 확률을 강건하게 추정할 수 있음을 보여줍니다. 이는 표준 교차 검증의 근본적인 한계를 극복하고, 불확실성 정량화가 중요한 새로운 기술의 안전한 AI 배포를 보장하는 데 기여합니다.
