본 논문은 딥러닝 모델의 출력에 대한 불확실성 정량화를 개선하기 위해, Monte Carlo Dropout (MCD)에 다양한 최적화 알고리즘(Grey Wolf Optimizer, Bayesian Optimization, Particle Swarm Optimization)과 불확실성 인식 손실 함수를 통합한 새로운 프레임워크를 제시합니다. DenseNet121, ResNet50, VGG16 등 다양한 백본 네트워크와 Cats vs. Dogs, Myocarditis, Wisconsin, 그리고 합성 데이터셋(Circles)을 사용하여 실험을 진행한 결과, 기존 MCD보다 정확도와 불확실성 정확도 모두에서 평균 2-3% 향상되고, 보다 나은 calibration을 달성함을 보였습니다. 이는 안전이 중요한 응용 분야에서 딥러닝 모델의 신뢰성을 높일 수 있는 잠재력을 보여줍니다.
