← 목록으로
AI·데이터
#불확실성 정량화#예측 집합#커버리지 보증#분포 무관#CQR
최종 업데이트 · 2026-11-18

컨포멀 예측(Conformal Prediction)

1. 개요

가. 정의

임의의 예측 모델이 내놓은 점추정을, 교환가능성(exchangeability) 가정 아래 사용자가 지정한 신뢰수준 $1-\alpha$ 를 유한표본에서도 수학적으로 보장하는 예측 집합(분류) 또는 예측 구간(회귀) 으로 바꿔 주는, 모델에 구애받지 않는(model-agnostic) 분포 무관(distribution-free) 불확실성 정량화 프레임워크.

컨포멀 예측의 핵심 발상은 "모델이 한 점으로 '정답은 7이다'라고 단정하는 대신, '정답은 95% 확률로 이 범위(또는 이 후보 집합) 안에 있다'라고 커버리지를 보증하며 답하도록 감싸는 것"이다. 중요한 점은 이 보증이 데이터 분포의 형태(정규성 등)나 모델이 올바른지 여부와 무관하게 성립한다는 데 있다. 모델이 아무리 엉성해도 커버리지 자체는 지켜지며, 모델이 좋을수록 예측 집합이 좁아져 유용성(efficiency) 이 올라갈 뿐이다. 즉 컨포멀 예측은 정확도를 높이는 기법이 아니라, 이미 있는 모델의 출력에 신뢰할 수 있는 오차 보증을 입히는 후처리(wrapper) 계층이다.

나. 등장 배경 및 필요성

딥러닝 모델은 softmax 확률을 내놓지만 이 값은 실제 정답 확률과 어긋나는 경우가 많다. 특히 현대 신경망은 과신(overconfidence) 경향이 있어, 0.99의 확신으로 틀리는 사례가 흔하다. 의료 진단, 자율주행, 신용평가, 신약 스크리닝처럼 오판의 비용이 큰 영역에서는 "모델이 얼마나 확신하는가"가 아니라 "그 확신을 믿어도 되는가"에 대한 검증 가능한 보증이 요구된다. 베이지안 신경망이나 MC Dropout 같은 기존 불확실성 기법은 사전분포·근사 가정에 의존하고 커버리지를 수학적으로 보장하지 못한다. 반면 컨포멀 예측은 보정용 데이터만 있으면 어떤 모델에든 사후적으로 적용 가능하고, 유한표본에서 $\Pr(Y_{n+1} \in \hat{C}(X_{n+1})) \ge 1-\alpha$ 를 엄밀히 보장한다. 최근 LLM의 환각(hallucination) 문제와 신뢰 가능한 AI(Trustworthy AI) 규제 흐름이 겹치면서, "답을 내되 틀릴 위험을 통제 가능한 형태로 제시"하는 수단으로 학계·산업에서 급부상했다.

다. 특징

컨포멀 예측의 성격은 네 가지 키워드로 요약된다. 첫째는 분포 무관(distribution-free) 으로, 데이터가 어떤 분포를 따르는지 가정하지 않고 교환가능성만 요구한다. 둘째는 모델 무관(model-agnostic) 으로, 선형회귀부터 그래디언트 부스팅, 거대 신경망, 심지어 LLM까지 출력만 있으면 감쌀 수 있다. 셋째는 유한표본 보증(finite-sample) 으로, "표본이 무한히 많으면"이라는 점근적 단서 없이 지금 가진 보정집합 크기에서 커버리지가 성립한다. 넷째는 후처리(post-hoc) 로, 이미 배포된 모델을 재학습하지 않고 추론 뒤에 얇게 덧댈 수 있다. 이 네 성격이 결합되어, 컨포멀 예측은 "정확도는 그대로 두되 신뢰성만 사후에 입히는" 실용적 계층으로 자리매김한다.

2. 동작 원리와 핵심 개념

flowchart LR
  TR["학습 데이터로 모델 f 학습"] --> CAL["보정집합(Calibration Set)"]
  CAL --> SC["비적합도 점수 s=score(x,y) 계산"]
  SC --> Q["(1-α) 분위수 q 추정"]
  Q --> TEST["신규 입력 x_new"]
  TEST --> SET["예측 집합 C(x_new) 구성: s(x_new,y)≤q 인 y 수집"]
  SET --> OUT["1-α 커버리지 보증된 집합/구간"]

컨포멀 예측의 뼈대는 비적합도 점수(nonconformity score) 와 분위수 임계값(quantile threshold) 두 가지다. 먼저 모델 $f$ 를 학습 데이터로 훈련한다. 그다음 학습에 쓰이지 않은 보정집합(calibration set) 의 각 샘플 $(x_i, y_i)$ 에 대해 "이 샘플이 모델 예측과 얼마나 안 맞는가"를 재는 비적합도 점수 $s_i = s(x_i, y_i)$ 를 계산한다. 분류라면 흔히 $s = 1 - \hat{p}(y\mid x)$ (정답 클래스의 softmax 확률이 낮을수록 점수가 큼)를 쓴다. 이렇게 모은 보정 점수들의 경험적 분포에서 $\lceil (n+1)(1-\alpha)\rceil / n$ 분위수 $q$ 를 구한다. 마지막으로 신규 입력 $x_{new}$ 에 대해, 가능한 모든 라벨 $y$ 중에서 $s(x_{new}, y) \le q$ 를 만족하는 $y$ 들만 모아 예측 집합 $\hat{C}(x_{new})$ 를 만든다.

단계 내용 산출물
1 학습집합으로 기반 모델 $f$ 학습 예측 모델
2 보정집합에서 비적합도 점수 $s_i$ 계산 점수 분포
3 $(1-\alpha)$ 경험적 분위수 $q$ 추정 임계값 $q$
4 신규 입력에서 $s\le q$ 인 라벨/값 수집 예측 집합·구간

이 절차가 커버리지를 보장하는 이유는 교환가능성 에 있다. 보정 샘플들과 미래의 테스트 샘플이 교환가능(순서를 바꿔도 결합분포가 불변)하다면, 테스트 샘플의 비적합도 점수가 보정 점수들 사이에서 차지하는 순위(rank) 는 균등분포를 따른다. 따라서 "테스트 점수가 보정 점수의 상위 $\alpha$ 밖으로 벗어날 확률"이 정확히 $\alpha$ 로 통제되어, 분포 가정 없이도 커버리지가 성립한다. 수치로 보면, 보정집합 $n=1000$, $\alpha=0.1$ 이면 약 901번째로 큰 점수를 임계값으로 삼아 90% 커버리지를 확보한다.

이해를 돕기 위한 구체적 수치 예시를 보자. 10종 동물 이미지 분류기가 있고 $\alpha=0.1$(목표 커버리지 90%)로 설정했다고 하자. 보정집합 500장 각각에서 "정답 클래스의 softmax 확률"을 뽑아 $s_i = 1-\hat{p}$ 를 계산하면 500개의 점수가 나온다. 이들을 오름차순 정렬해 상위 10% 지점, 즉 $\lceil 501 \times 0.9\rceil = 451$ 번째 작은 값(=상위 50번째)인 $q=0.82$ 를 임계값으로 얻었다고 하자. 이제 새 고양이 사진에 대해 모델이 고양이 0.55, 스라소니 0.30, 개 0.10, 나머지 낮음으로 예측했다면, $1-\hat{p}\le 0.82$ 즉 $\hat{p}\ge 0.18$ 인 클래스만 집합에 담아 $\hat{C}={\text{고양이, 스라소니}}$ 가 된다. 모델이 자신 있는 쉬운 사진이라면 집합이 한 원소로 좁혀지고, 애매한 사진이면 서너 개가 남아 집합 크기 자체가 불확실성의 지표가 된다.

가. 커버리지 보증의 두 얼굴 — 하한과 상한

컨포멀 예측이 보장하는 것은 정확히는 $1-\alpha \le \Pr(Y_{n+1}\in\hat{C}(X_{n+1})) \le 1-\alpha + \frac{1}{n+1}$ 이라는 양측 부등식이다. 즉 커버리지가 목표치 아래로 내려가지 않을 뿐 아니라, 보정집합이 충분히 크면 위로도 거의 넘치지 않아 과잉보수(over-coverage) 로 집합이 쓸데없이 커지는 일을 막는다. 이 성질이 "그냥 집합을 전체 라벨로 잡으면 커버리지 100%"라는 자명한 해와 컨포멀 예측을 구분한다. 보정집합이 작을수록 우변의 $1/(n+1)$ 여유가 커져 보증이 느슨해지므로, 신뢰성이 중요한 응용일수록 수백~수천 규모의 보정집합을 확보하는 것이 실무적으로 중요하다. 또한 이 보증은 한 번 고정된 임계값에 대한 평균이 아니라 분할의 무작위성까지 적분한 주변(marginal) 확률이라는 점을 이해해야 오해가 없다.

나. 비적합도 점수의 설계가 효율을 좌우한다

커버리지는 점수를 어떻게 정의하든 보장되지만, 예측 집합이 얼마나 좁은가(유용성) 는 전적으로 비적합도 점수 설계에 달려 있다. 예컨대 분류에서 단순히 $s=1-\hat{p}(y\mid x)$ 를 쓰면 쉬운 샘플과 어려운 샘플에 같은 임계값이 적용되어 조건부로 비효율적이다. 반면 누적확률 기반(APS)이나 벌점 추가(RAPS) 점수는 같은 커버리지에서 평균 집합 크기를 유의하게 줄인다. 회귀에서도 절대잔차 $|y-\hat{y}|$ 를 쓰면 모든 입력에 폭이 일정한 구간이 나오지만, 분위수 회귀 잔차를 쓰면 입력별로 폭이 적응한다. 따라서 컨포멀 예측 설계의 실질적 작업은 "커버리지를 어떻게 지킬까"가 아니라 "어떤 점수가 가장 짧은 집합을 주는가"를 찾는 데 있다. 이는 모델 성능과 도메인 특성을 함께 고려하는 엔지니어링 문제이며, 점수 함수 자체를 학습으로 최적화하려는 최신 연구도 이 지점을 겨냥한다.

마지막으로 유의성수준 $\alpha$ 는 단순한 하이퍼파라미터가 아니라 위험 정책 그 자체다. $\alpha=0.01$ 은 "100번 중 1번만 집합 밖 오류를 허용"하겠다는 선언이고, 이는 집합을 크게 만들어 자동화율을 떨어뜨린다. 반대로 $\alpha=0.2$ 는 집합을 좁혀 효율은 높지만 5건 중 1건의 누락을 감수한다. 따라서 $\alpha$ 결정은 도메인의 오류비용·업무 효율·규제 요건을 종합한 비즈니스 의사결정이며, 기술적 최적화 문제가 아니다.

3. 주요 방식과 변형

flowchart TB
  CP["컨포멀 예측"] --> FULL["Full/Transductive CP: 매 라벨마다 재학습"]
  CP --> SPLIT["Split(Inductive) CP: 보정집합 1회 분리"]
  CP --> CV["CV+ / Jackknife+: 교차검증 기반"]
  SPLIT --> CLS["분류: APS·RAPS 적응형 집합"]
  SPLIT --> REG["회귀: CQR 분위수 회귀 결합"]
  SPLIT --> MOND["Mondrian CP: 그룹별 조건부 커버리지"]

가. 전체 컨포멀 예측(Full/Transductive CP)

가장 원형적인 방식으로, 신규 입력에 가능한 라벨 $y$ 를 하나씩 가정해 그 쌍을 데이터에 포함시킨 뒤 모델을 다시 학습하고 비적합도를 평가한다. 모든 데이터를 학습과 보정에 동시에 활용하므로 통계적으로는 가장 효율적이어서, 같은 커버리지를 더 좁은 집합으로 달성한다. 그러나 테스트 샘플 하나당 라벨 수만큼, 회귀라면 격자점 수만큼 모델을 재학습해야 하므로 딥러닝처럼 학습 비용이 큰 모델에서는 계산량이 비현실적이다. 따라서 Full CP는 소규모 데이터·값싼 모델에서의 이론적 기준점으로는 중요하되 대규모 실무에서는 거의 쓰이지 않는다. 이 계산 한계가 보정을 한 번만 분리하는 아래 Split CP가 등장한 직접적 배경이며, 두 방식은 통계 효율과 계산 효율 사이의 전형적 트레이드오프를 보여 준다.

나. 분할 컨포멀 예측(Split/Inductive CP)

데이터를 학습집합과 보정집합으로 한 번만 나눠, 학습집합으로 모델을 딱 한 번 훈련하고 보정집합으로 임계값을 한 번만 구한다. 재학습이 전혀 없으므로 어떤 사전학습 모델에도 즉시 적용되고 계산비용이 미미하다. 대신 데이터의 일부(보통 10~30%)를 보정 전용으로 떼어 내야 하고, 한 번의 분할이 우연히 치우치면 집합 크기가 흔들린다는 단점이 있다. 실무 대부분이 이 방식을 채택하며, 이미지넷급 분류기에도 수십 밀리초 안에 집합을 생성한다. 데이터가 넉넉한 산업 환경에서는 보정 분할 손실이 거의 문제되지 않아 사실상 표준으로 자리 잡았다.

다. 교차검증 기반(CV+·Jackknife+)과 Mondrian CP

보정집합 분리로 인한 데이터 낭비를 줄이려는 변형이다. Jackknife+ 는 leave-one-out 잔차로, CV+ 는 K-겹 교차검증 잔차로 구간을 구성해, 전체 데이터를 학습과 보정에 모두 활용하면서도 커버리지에 근접한 보증을 제공한다. 데이터가 적은 신약·바이오 실험처럼 한 샘플이 귀한 영역에서 특히 유용하다. Mondrian(그룹 조건부) CP 는 전체 평균 커버리지만이 아니라 클래스별·하위집단별로 각각 임계값을 두어, 소수 집단에서도 커버리지가 무너지지 않게 한다. 예컨대 희귀질환 클래스의 커버리지가 다수 클래스에 묻혀 희생되는 공정성 문제를 완화하는 수단이 된다.

라. 적응형 집합(APS·RAPS)과 분위수 회귀 결합(CQR)

기본 방식은 전체 평균 커버리지만 보장할 뿐, 쉬운 입력에는 과하게 크고 어려운 입력에는 너무 작은 집합을 내는 조건부 비효율이 있다. 분류에서 APS(Adaptive Prediction Sets) 는 softmax 확률을 높은 순으로 누적해 집합을 구성함으로써 입력 난이도에 따라 집합 크기를 적응시키고, RAPS 는 꼬리 클래스에 벌점을 더해 집합을 더 작고 안정적으로 만든다. 회귀에서는 CQR(Conformalized Quantile Regression) 가 분위수 회귀로 추정한 상·하한을 컨포멀 보정으로 교정해, 이분산(heteroscedastic) 데이터에서 구간 폭이 입력에 따라 넓고 좁게 적응하도록 한다. 예를 들어 전력 수요 예측에서 변동이 큰 피크 시간대는 넓은 구간을, 안정적인 심야는 좁은 구간을 자동으로 부여한다.

이 네 가지 변형을 관통하는 설계 원리는 "평균 커버리지는 공짜로 보장되니, 노력은 조건부 적응성과 집합 크기 최소화에 쏟는다"는 것이다. Mondrian은 집단별 공정성을, APS·RAPS는 난이도별 적응을, CQR은 분산별 적응을, CV+·Jackknife+는 데이터 효율을 각각 겨냥한다. 실무에서는 데이터량(적으면 CV 계열), 과제 유형(분류/회귀), 공정성 요구(있으면 Mondrian)를 기준으로 조합해 선택하며, 하나의 파이프라인에서 여러 변형을 동시에 적용하는 것도 가능하다.

4. 비교와 적용 사례

구분 컨포멀 예측 베이지안/MC Dropout Platt·온도 스케일링
보증 유형 유한표본 커버리지 보장 사후분포(가정 의존) 확률 보정만, 커버리지 보증 없음
분포 가정 교환가능성만 요구 사전분포·근사 가정 점 확률 보정 전제
모델 제약 모델 무관(후처리) 특정 구조·추론 필요 분류 확률 필요
출력 형태 예측 집합·구간 사후 표본·분산 보정된 스칼라 확률
비용 Split이면 거의 무료 다중 추론·샘플링 비용 저렴

이 비교의 핵심은 "무엇을 보증하느냐"가 다르다는 점이다. 온도 스케일링은 확률값을 보정할 뿐 "정답이 집합 안에 들 확률"을 보장하지 않고, 베이지안 기법은 사전분포가 틀리면 보증도 깨진다. 컨포멀 예측만이 분포 무관 커버리지를 유한표본에서 약속한다. 다만 컨포멀 예측도 커버리지가 평균적(marginal) 이라, 특정 입력에 대한 조건부 보증은 Mondrian·적응형 기법을 덧대야 얻어진다는 트레이드오프가 있다.

반대로 컨포멀 예측이 보장하지 않는 것을 분명히 해 두는 것도 기술사 관점에서 중요하다. 첫째, 커버리지는 "정답이 집합 안에 있을 확률"이지 "집합 안의 각 원소가 정답일 확률"이 아니므로, 집합을 확률분포로 오해해선 안 된다. 둘째, 교환가능성이 깨지면(시계열·분포 이동) 보증 자체가 무효가 되므로 만능이 아니다. 셋째, 보정집합이 작으면 보증은 성립해도 집합이 불안정하게 요동친다. 이처럼 "보장 범위와 그 바깥"을 명확히 구분해 설명하는 것이, 온도 스케일링·베이지안과의 피상적 우열 나열보다 실무 적용에서 훨씬 중요한 통찰이다.

컨포멀 예측의 진가는 이처럼 어느 모델·도메인에도 동일한 수학적 보증을 재사용할 수 있다는 범용성에서 나온다. 아래 세 사례는 분류·회귀·생성이라는 서로 다른 과제이지만, "비적합도 점수를 정하고 보정 분위수로 집합을 만든다"는 같은 뼈대를 공유한다.

적용 사례 1(의료 영상): 피부암 분류기에 Split CP를 씌워 "가능한 진단 집합"을 제시하면, 집합에 두 개 이상 라벨이 남는 모호 사례를 전문의 재검토로 자동 분기(selective prediction) 할 수 있다. 커버리지 90%를 보장하므로 집합 밖 오진 위험이 통제되고, 집합 크기 자체가 "이 사례가 얼마나 애매한가"를 나타내는 해석 가능한 신호가 된다. 적용 사례 2(수요예측): 유통 수요 예측에 CQR을 적용해 안전재고를 95% 구간 상한으로 잡으면, 결품 확률을 명시적으로 5% 이하로 관리할 수 있다. 구간 하한은 과잉재고 위험을, 상한은 결품 위험을 각각 정량화하므로 재고 정책이 보증 가능한 숫자 위에서 수립된다. 적용 사례 3(LLM): 객관식 QA에서 모델 로짓을 비적합도 점수로 삼아 "정답이 포함된 보증 집합"을 만들면, 환각으로 단일 오답을 단정하는 대신 후보를 좁히면서도 정답 누락 위험을 $\alpha$ 로 통제한다. 집합이 하나의 라벨로 좁혀지면 자동 처리하고, 여러 개가 남으면 사람에게 넘기는 에이전트 안전장치로 직접 연결된다.

이 세 사례가 공통으로 보여 주는 함의는, 컨포멀 예측이 단순히 "오차 막대를 그리는" 통계 장식이 아니라 운영상의 자동/수동 분기 결정을 보증 가능한 임계값 위에 세우는 의사결정 인프라라는 점이다. 집합 크기를 임계로 삼아 "확실한 것은 자동, 애매한 것은 사람"이라는 규칙을 수학적 보증과 함께 운영할 수 있다는 것이 실무적 가치의 핵심이다.

5. 심화 — 최신 동향과 LLM·분포이동 대응

컨포멀 예측은 2020년대 들어 생성형 AI의 신뢰성 수단으로 연구가 폭증했다. 2024년 NLP 분야 서베이는 분류를 넘어 텍스트 생성·요약으로 적용이 확장되는 흐름을 정리했고, 2025년에는 COPU 처럼 후보 집합에 정답을 추가해 적은 표본(5개 수준)으로 커버리지를 끌어올리는 생성 특화 기법, conformal factuality 처럼 생성된 주장 중 사실일 확률이 높은 문장만 보증하며 가지치기(pruning) 하는 방법이 제안됐다. 다만 LLM이 스스로 말하는 구두 신뢰도(verbalized confidence) 는 과신 경향이 커, 컨포멀 보정이 그 과신을 교정하는 외부 장치로 쓰인다는 점이 반복 보고된다.

이론적 확장도 중요하다. 핵심 가정인 교환가능성은 분포 이동(distribution shift) 이 있으면 깨지는데, 이를 다루기 위해 각 샘플에 밀도비(likelihood ratio) 가중치를 부여하는 Weighted Conformal Prediction, 시간에 따라 임계값을 온라인으로 갱신해 비정상(non-stationary) 스트림에 적응하는 Adaptive Conformal Inference(ACI) 가 제시됐다. 또한 커버리지라는 단일 지표를 넘어 거짓음성률·비용 같은 임의의 위험을 $\alpha$ 이하로 통제하는 Conformal Risk Control 로 일반화되어, 다중라벨·객체탐지 등으로 적용 범위가 넓어지고 있다. 다만 이들 상당수가 아직 arXiv 프리프린트 단계로 벤치마크·검증이 진행 중이라, 실무 도입 시에는 성숙도를 함께 따져야 한다.

구현 생태계도 성숙하고 있어 도입 장벽이 낮다. 파이썬에서는 사이킷런 추정기를 감싸 분류·회귀 컨포멀 예측을 제공하는 MAPIE, 파이토치 기반의 TorchCP, 원저자들이 공개한 교육용 라이브러리 등이 있어, 기존 모델에 수십 줄 코드로 보정 계층을 덧댈 수 있다. 실무에서는 (1) 운영 분포를 대표하는 보정집합을 확보하고, (2) 도메인에 맞는 비적합도 점수와 목표 $\alpha$ 를 정하며, (3) 커버리지와 평균 집합 크기를 모니터링 지표로 대시보드화하는 순서로 적용한다. 특히 커버리지가 목표 아래로 떨어지기 시작하면 분포 이동의 조기 경보로 활용할 수 있어, 모델 재보정·재학습 트리거로 연결하는 운영 설계가 권장된다.

6. 고려사항 및 시사점

컨포멀 예측은 "모델을 바꾸지 않고도 신뢰 가능성을 입히는" 저비용·고효용 계층으로, 기술사 관점에서 도입 전략과 한계를 균형 있게 봐야 한다.

  • 적용 전략(후처리 계층화): 기존 MLOps 파이프라인의 추론 뒤에 보정·집합 생성 단계를 삽입하는 플러그인 형태로 설계하면, 모델 교체·재학습과 독립적으로 운영된다. 보정집합은 운영 데이터 분포를 반영하도록 주기적으로 갱신하는 거버넌스가 필요하다.
  • 트레이드오프(커버리지 ↔ 집합 크기): $\alpha$ 를 낮추면 안전하지만 집합·구간이 넓어져 의사결정 유용성이 떨어진다. "집합이 너무 크면 사실상 '모르겠다'와 같다"는 점에서, 목표 커버리지는 오판 비용과 운영 효용을 함께 보고 정해야 한다.
  • 가정의 취약성(분포 이동·교환가능성): 콜드스타트·개념 변화(concept drift) 환경에서는 교환가능성이 깨져 보증이 무효화될 수 있으므로, Weighted CP·ACI 적용과 드리프트 모니터링을 병행해야 한다. 시계열은 교환가능성이 본질적으로 약해 특별한 주의가 요구된다.
  • 공정성·조건부 보증: 평균 커버리지는 소수 집단을 희생시킬 수 있으므로, 규제·윤리가 중요한 도메인은 Mondrian·그룹 조건부 CP로 하위집단별 커버리지를 검증해야 한다.
  • 연계 기술·전망: 신뢰 가능한 AI(Trustworthy AI)·AI 거버넌스, 선택적 예측(reject option), 휴먼인더루프(HITL) 분기와 자연스럽게 결합된다. 향후 LLM 에이전트의 행동 안전장치와 EU AI Act류 규제의 불확실성 공시 요건을 충족하는 표준 수단으로 자리 잡을 전망이다.
  • 조직·역량 관점: 컨포멀 예측은 모델 개발팀뿐 아니라 리스크·규제 대응 조직이 함께 운용해야 효과가 있다. 목표 커버리지 $\alpha$ 는 기술 파라미터이자 비즈니스 위험허용 수준이므로, 그 결정에 현업·법무가 참여하는 거버넌스 체계를 갖춰야 한다.

종합하면, 컨포멀 예측은 "정확한 모델"을 넘어 "신뢰할 수 있게 틀리는 모델"을 요구하는 현대 AI 거버넌스의 흐름에 정확히 부합하는 기법이다. 기술사는 이를 특정 알고리즘이 아니라, 어떤 모델에도 보증 계층을 얹어 자동화와 인적 검토의 경계를 수학적으로 설계하는 아키텍처 패턴으로 이해하고, 도입 시 가정의 성립 조건·보정 데이터 거버넌스·모니터링 체계를 함께 설계하는 관점이 필요하다.

참고자료


한 줄 요약: 컨포멀 예측은 교환가능성 가정만으로 어떤 모델의 출력이든 유한표본에서 $1-\alpha$ 커버리지를 보증하는 예측 집합·구간으로 바꾸는 분포 무관 후처리 프레임워크로, Split·CQR·적응형·분포이동 대응 변형을 통해 의료·수요예측·LLM 신뢰성까지 확장된다.