딥러닝 모델의 신뢰성 있는 불확실성 추정은 예측 정확도만큼 중요해졌어요. 커널 밀도 추정(KDE)은 기존 방식의 대안으로 떠올랐지만, 대역폭 선택에 따라 성능이 크게 좌우돼요. 연구진은 KDE 재구성 위험과 경험적 위험을 일치시키는 최적화 프레임워크 '위험 정렬(RA)'을 제안했어요.
RA는 데이터 분포 전반에 걸쳐 교정 추정 편향을 최소화하며, 표준 대역폭 선택 방법보다 더 신뢰성 있는 교정 평가를 제공해요. 다양한 아키텍처와 데이터셋에서 실험 결과, RA가 기존 방법보다 우수한 성능을 보였어요.
연구 결과는 교정 작업에 적합한 대역폭 선택 기준을 제시하며, 표준 교정 오류와 같은 어려운 경우에도 적용 가능함을 보여줘요.