본 논문은 블랙박스 머신러닝 모델의 불확실성 정량화를 위해 널리 사용되는 컨포멀 예측이 교환 가능한 데이터 하에서 형식적 보장을 제공하지만, 테스트 환경이 캘리브레이션 데이터와 다른 하위 집단 혼합을 포함하는 하위 집단 변화에 직면했을 때 이러한 보장이 실패하는 문제를 다룬다. 본 연구에서는 하위 집단 레이블이 추론되어야 하는 알려지지 않은 하위 집단 변화에 초점을 맞추어, 하위 집단 구조에 대한 명시적 지식 없이도 유효한 커버리지를 보장하는 컨포멀 예측 적응 방법을 제안한다. 기존 방법론과는 달리 완벽한 하위 집단 레이블을 가정하지 않으며, 형식적 커버리지 보장이 가능한 조건을 특징짓는다. 또한, 제안된 알고리즘은 고차원 설정에도 확장 가능하며, 실제 머신러닝 작업에서 실용적이다. 비전 및 언어 벤치마크 실험을 통해 제안된 방법이 표준 컨포멀 예측이 실패하는 시나리오에서도 커버리지를 안정적으로 유지하고 위험을 효과적으로 제어함을 입증한다.
