- Conformal Prediction (CP)의 확장
- 데이터의 heterogeneity를 다루기 위해 고안됨
- MNIST라고 치면 5를 맞히는 게 0을 맞히는 것보다 훨씬 어렵다면? 공통된 신뢰도 레벨을 가정하기 어렵다
- 몬드리안 그림처럼 (캔버스를 수직/수평으로 나누고 색상 블록으로 분할된) 데이터를 카테고리화해서 나누고 CP를 적용하자
- partitioning nonconformity score
- 그룹별로 nonconformity score를 별도로 관리
- e.g. binary classification에서 클래스 0과 1에 대해 score 분포와 quantile을 따로 계산
- 같은 그룹(카테고리) 내에서만 calibration set의 score 비교하여 그룹에 대한 조건부 예측 구간/예측 세트를 생성
- 이때 그룹을 나누는 방식(Mondrian taxonomy)은 분류문제에서 단순히 클래스일 수도 있고 아니면 특정 피쳐 값에 따라 그룹화한 것일 수도 있는 유연성을 지님
- 그룹별로 nonconformity score를 별도로 관리
