연구진은 임상 기록에서 HIV 의심을 조기에 식별하기 위한 위험 기반 하이브리드 프레임워크를 제안했어요. 이 프레임워크는 몬드리안 컨포멀 예측과 멀티 센트로이드 마할라노비스 거리 비토를 활용하여 불확실성을 분리해요.
기존 NLP 벤치마크는 모호한 사례에 대해 강제적인 분류를 수행하여 예측의 임상적 위험을 가리고, 성능 지표를 과대평가하는 경향이 있어요. 연구 결과, 기존 불확실성 지표와 기본 분류기는 엄격한 신뢰성 제약 하에서 작동할 때 심각한 커버리지 붕괴를 겪는 것으로 나타났어요.
제안된 프레임워크는 확률적 및 기하학적 안전 장치를 모두 요구하여 매우 신뢰할 수 있는 운영 영역을 성공적으로 분리했어요.