연구진은 신경-기호 개념 기반 모델(NeSy-CBM)의 과도한 예측 확신 문제를 해결하기 위해 Conformal Prediction(CP) 기법을 통합한 COCOCO 프레임워크를 개발했어요. COCOCO는 일관성, 보장 범위, 간결성 세 가지 요건을 충족하며 기존 방법의 한계를 극복했어요. 8개 데이터 세트 실험 결과, COCOCO는 성능과 집합 크기 측면에서 경쟁 모델보다 우수한 결과를 보였어요.
COCOCO 프레임워크는 개념과 레이블 예측을 동시에 보정하고 단일 추론-귀납 단계로 조화시켜 개념과 레이블 예측의 일관성을 유지해요. 이 프레임워크는 배포 독립적인 보장 범위를 유지하며 불완전한 지식에 강건하고 사용자 지정 크기 예산을 지원해요.
COCOCO는 신경-기호 모델의 신뢰도를 높여 고위험 환경에서의 활용 가능성을 높이는 데 기여하며, 기존 방법보다 더 정확하고 신뢰할 수 있는 예측을 제공하는 것으로 나타났어요.