본 논문은 결정론적 암호화된 데이터에서 지도 학습과 함께 Conformal Prediction (CP)을 통합하여 엄격한 불확실성 정량화와 개인정보 보호 머신러닝 간의 간극을 해소하는 것을 목표로 합니다. AES 암호화된 MNIST 데이터셋 변형을 사용하여, 고정 키 암호화 하에서 데이터 교환 가능성이 유지됨으로써 CP 방법이 암호화된 영역에서도 효과적임을 보여줍니다. 기존의 $p$-값 기반과 $e$-값 기반 conformal 예측기를 테스트하여, 결정론적 암호화된 데이터로 훈련된 모델이 의미 있는 구조를 추출하여 36.88%의 테스트 정확도를 달성함을 보여줍니다(이는 인스턴스별 암호화에서 관찰된 무작위 추측(9.56%)보다 훨씬 높습니다). 또한, $e$-값 기반 CP는 4.3 손실 임계값 보정으로 60% 이상의 예측 집합 적용 범위를 달성하며, 5000개의 테스트 사례 중 4888개에서 실제 레이블을 정확하게 캡처합니다. 반면, $p$-값 기반 CP는 예측 집합이 더 작지만 적용 범위 정확도가 감소합니다. 이러한 결과는 암호화된 데이터 설정에서 CP의 가능성과 한계를 모두 강조하며, 예측 집합의 간결성과 신뢰성 간의 중요한 트레이드오프를 강조합니다. 본 연구는 안전하고 개인정보 보호를 고려한 학습 시스템에서 원칙에 기반한 불확실성 정량화의 기반을 마련합니다.
