적응형 클러스터 기반 밀도 추정 기반 생성 모델을 위한 컨포멀 예측

Conformal Prediction for Generative Models via Adaptive Cluster-Based Density Estimation

조건부 생성 모델은 입력 변수를 복잡하고 고차원 분포로 매핑하여 다양한 분야에서 현실적인 샘플 생성을 가능하게 합니다. 이러한 모델의 주요 과제는 교정되지 않은 불확실성으로, 이는 고위험 애플리케이션에서 개별 출력에 대한 신뢰를 저해합니다. 이 문제를 해결하기 위해, 본 연구에서는 모델 생성 샘플에 대한 밀도 추정을 활용하여 조건부 생성 모델에 특화된 체계적인 컨포멀 예측 방법을 제안합니다. 우리는 CP4Gen이라는 새로운 방법을 소개하며, 이 방법은 클러스터 기반 밀도 추정을 사용하여 기존 방법보다 이상치에 덜 민감하고, 해석력이 뛰어나며, 구조적 복잡성이 낮은 예측 집합을 구성합니다. 합성 데이터 세트와 기후 모델링과 같은 실제 응용 분야에서의 광범위한 실험 결과, CP4Gen은 예측 집합의 크기와 구조적 단순성 측면에서 일관되게 우수한 성능을 달성하는 것으로 나타났습니다. 본 연구의 접근 방식은 실무자에게 조건부 생성 모델과 관련된 불확실성 추정에 강력한 도구를 제공하며, 특히 엄격하고 해석 가능한 예측 집합이 요구되는 시나리오에 유용합니다.

Conditional generative models map input variables to complex, high-dimensional distributions, enabling realistic sample generation in a diverse set of domains. A critical challenge with these models is the absence of calibrated uncertainty, which undermines trust in individual outputs for high-stakes applications. To address this issue, we propose a systematic conformal prediction approach tailored to conditional generative models, leveraging density estimation on model-generated samples. We introduce a novel method called CP4Gen, which utilizes clustering-based density estimation to construct prediction sets that are less sensitive to outliers, more interpretable, and of lower structural complexity than existing methods. Extensive experiments on synthetic datasets and real-world applications, including climate emulation tasks, demonstrate that CP4Gen consistently achieves superior performance in terms of prediction set volume and structural simplicity. Our approach offers practitioners a powerful tool for uncertainty estimation associated with conditional generative models, particularly in scenarios demanding rigorous and interpretable prediction sets.