Shrinkage Class-Clustered Conformal Prediction = 클래스별 커버리지 안정화를 위한 축소 기반 컨포멀 예측

다국어 초록 (Multilingual Abstract)

Standard conformal prediction provides valid marginal coverage but often fails to ensure fairness or conditional reliability across classes. Class-conditional conformal prediction (CC-CP) mitigates this issue by calibrating within each class or class cluster. Although its performance deteriorates when calibration data are limited for minority classes, leading to unstable or excessively large prediction sets.

We propose Shrinkage Class-Clustered Conformal Prediction (SCC–CP), a distribution free method that constructs conformal prediction sets by adaptively shrinking cluster-level conformal quantile toward a global conformal quantile using data-driven weights.

In simulations, SCC–CP outperforms both global and class-conditional conformal prediction methods in class-imbalanced and heteroscedastic settings. The results shows that our method achieves target marginal and cluster-level coverage. Moreover, it attains the highest proportion of classes meeting the target coverage. This implies that SCC–CP offers a practical and robust solution for conformal prediction in heterogeneous and imbalanced data regimes.

국문 초록 (Abstract)

기존의 컨포멀 예측방법은 유한 표본에서 주변(marginal) 커버리지를 보장하지만, 특정 클래스 수준의 조건부 커버리지를 확보하지 못하는 한계가 있다. 이를 개선하기 위해 제안된 클래스-클러스터링 컨포멀 예측 방법은 클러스터 단위로 임계값을 추정하여 클러스터별 커버리지를 안정화하지만, 클래스 단위의 커버리지까지는 충분히 보장하지 못하며, 특히 이분산성이나 클래스 비율 불균형이 존재하는 상황에서 성능 저하가 발생한다.

본 연구는 이러한 문제를 해결하기 위해, 클러스터별 분위수와 전체 분위수를 가중 결합하여 새로운 임계값을 구성하는 SCC–CP(Shrinkage Class-Clustered Conformal Prediction)를 제안한다. 제안한 방법은 기존 컨포멀 예측 방법의 주변 커버리지 보장을 유지하면서도, CC-CP 대비 클러스터별 커버리지를 보다 안정적으로 확보한다. 나아가 클래스 단위의 커버리지 역시 목표 수준을 달성하는 비율이 기존 방법들보다 높음을 모의실험을 통해 확인하였다.

목차 (Table of Contents)

• Abstract
• Chapter 1 Introduction 1
• Chapter 2 Related Works 3
• Chapter 2.1 Standard Conformal Prediction 3
• Chapter 2.2 Conditional Coverage 4
• Chapter 2.3 Class-Conditional Conformal Prediction (CC-CP) 6
• Chapter 3 Shrinkage Class-Clustered Conformal Prediction 8
• Chapter 3.1 Proposed Method 8
• Chapter 4 Experimental Design 15
• Chapter 4.1 Data Generation Model 16
• Chapter 4.2 Simulation Setup 17
• Chapter 4.3 Evaluation Metrics 19
• Chapter 5 Results
• Chapter 5.1 Overall Coverage 21
• Chapter 5.2 Cluster-wise Coverage 22
• Chapter 5.3 Class-wise Coverage 24
• Chapter 6 Discussion 26
• Chapter 7 Conclusion 29
• Appendix A Additional Experiments 31
• Appendix A.1 Balanced-homogeneous Setting 33
• Appendix A.2 Balanced-heteroscedastic Setting 36
• Appendix A.3 Zipf-homogeneous Setting 39
• 요약 44