Uploads from ‍김성범[ 교수 / 산업경영공학부 ]

Currently Playing: [Open DMQA Seminar] Multi-Output Conformal Prediction

Conformal prediction(CP)은 예측값뿐 아니라 실제값이 일정한 확률로 포함되도록 예측 영역(prediction region)을 함께 제공하는 방법이다. 그러나 여러 값을 동시에 예측하는 multi-output regression에서는 각 출력의 불확실성과 출력 간 관계를 함께 고려해야 하므로, 모든 출력이 동시에 포함될 확률을 보장하면서도 지나치게 크지 않은 예측 영역을 효율적으로 구성하는 것이 어렵다. Messoudi et al. [1]은 출력별 예측 오차의 의존관계를 copula로 모델링하여 여러 출력이 동시에 포함되도록 예측 영역을 보정하는 방법을 제안하였다. 다만 최종 예측 영역이 각 출력별 구간을 결합한 hyperrectangle 형태로 제한된다는 한계가 있다. Feldman et al. [2]은 representation learning과 multiple-output quantile regression을 이용하여 이러한 형태적 제약을 완화하고, 보다 복잡한 출력 분포를 반영할 수 있는 예측 영역을 구성하였다. Dheur et al. [3]은 기존 multi-output CP 방법들을 통합적으로 비교하고, generative model을 활용한 generalized conformity score를 제안하여 다양한 형태의 출력 분포와 불확실성을 보다 일반적인 방식으로 다룰 수 있도록 하였다. 본 세미나에서는 multi-output conformal regression에서 모든 출력을 동시에 포함할 확률을 어떻게 보장할 것인가(validity), 그리고 그 조건을 만족하면서 예측 영역을 얼마나 효율적으로 구성할 것인가(efficiency)라는 문제를 중심으로 대표적인 방법론을 살펴본다. 참고문헌 [1] Messoudi, S., Destercke, S., & Rousseau, S. (2021). Copula-based conformal prediction for multi-target regression. Pattern Recognition, 120, 108101. [2] Feldman, S., Bates, S., & Romano, Y. (2023). Calibrated Multiple-Output Quantile Regression with Representation Learning. Journal of Machine Learning Research, 24(24), 1–48. [3] Dheur, V., Fontana, M., Estievenart, Y., Desobry, N., & Ben Taieb, S. (2025). A Unified Comparative Study with Generalized Conformity Scores for Multi-Output Conformal Regression. Proceedings of the 42nd International Conference on Machine Learning, PMLR 267, 13444–13485.