본 연구는 그래프 신경망(GNN)에 컨포멀 예측(CP)을 적용하는 데 어려움을 겪는 문제를 해결하기 위해 GRAPHLCP라는 새로운 프레임워크를 제안합니다.
GRAPHLCP는 그래프 토폴로지와 노드 간 의존성을 고려하여 국소화 및 가중치를 조정하며, 특징 기반 밀집화 단계를 통해 희소 그래프의 국소성 편향을 완화합니다.
실험 결과, GRAPHLCP는 유한한 샘플 내에서 주변 커버리지를 보장하고 다양한 조건부 커버리지를 효율적으로 달성하는 것으로 나타났습니다.