Bridging Conformal Prediction and Scenario Optimization: Discarded Constraints and Modular Risk Allocation

이 논문은 제어 관점에서 컨포멀 예측과 시나리오 최적화의 연결을 재조명하여, 폐기된 제약 조건을 허용 가능한 예외로 해석하고 다중 출력 및 유한 시간 제어 문제에서 위험을 모듈식으로 할당하는 새로운 방법을 제시합니다.

핵심

🌟 핵심 아이디어: "안전 마진"을 만드는 두 가지 길

우리가 자율주행차나 로봇을 만들 때, "이 로봇이 앞으로 넘어지지 않고 안전하게 움직일 확률이 얼마나 될까?"를 계산해야 합니다. 이때 과거 데이터 (예: 지난 100 번의 주행 기록) 를 바탕으로 **미래의 실수나 위험을 막을 수 있는 '안전 마진 (여유 공간)'**을 만듭니다.

논문은 이 '안전 마진'을 만드는 데 쓰이는 두 가지 유명한 방법이 사실은 동일한 원리로 작동한다고 말합니다.

1. 시나리오 최적화 (Scenario Optimization): "지난 100 번 중 5 번은 넘어졌으니, 그 5 번은 '예외'로 치고 나머지 95 번만 믿자"는 방식입니다. (일부 데이터를 버리는 것)
2. 컨포멀 예측 (Conformal Prediction): "지난 100 번의 실수 크기를 측정해서, 95% 는 이 정도 크기 안에 들어올 거라고 예측하자"는 방식입니다. (데이터를 정렬해서 기준을 잡는 것)

이 논문은 **"아, 그 '예외'로 치는 5 번의 데이터가 사실은 '허용된 실수'라는 뜻이구나!"**라고 두 이론을 연결했습니다.

---

🧩 비유 1: "버린 데이터"는 사실 "허용된 실수"입니다

상황: 당신이 요리사라고 상상해 보세요. 100 개의 계란을 까봤는데, 5 개는 깨져서 못 쓰게 되었습니다.

• 기존 생각: "아, 5 개는 버렸으니 나머지 95 개만 믿으면 돼."
• 이 논문의 새로운 시각: "그 5 개를 버린 건 실수가 아니라, **'허용된 실수 (Exception)'**를 미리 정해둔 거야. 즉, '100 개 중 5 개까지는 깨져도 괜찮아'라고 미리 약속한 셈이지."

논문은 이 '허용된 실수'를 **교환 가능성 (Exchangeability)**이라는 수학적 원리로 설명합니다.

"데이터들이 서로 순서만 바뀔 뿐 본질은 똑같다면, 우리가 버린 그 5 개 계란이 미래에 다시 깨질 확률도 똑같이 계산할 수 있어."

즉, **데이터를 버리는 행위 (Discarding)**가 단순히 정보를 잃는 게 아니라, **"미래에 발생할 수 있는 위험을 미리 정해둔 허용 범위"**로 변환하는 과정임을 증명했습니다.

---

🎂 비유 2: 위험을 나누어 먹기 (모듈형 위험 할당)

이제 가장 실용적인 부분입니다. 우리가 로봇을 4 시간 동안 움직여야 한다고 칩시다.

• 1 시간째: 위험해도 괜찮음 (가볍게)
• 4 시간째: 절대 넘어지면 안 됨 (엄격하게)

기존 방법들은 "전체 4 시간 동안의 위험을 합쳐서 20% 로 잡자"라고 하면, 매 시간마다 똑같은 엄격함 (안전 마진) 을 적용했습니다. 하지만 이 논문의 **모듈형 규칙 (Modular Rule)**은 다음과 같이 말합니다.

"전체 위험 예산 (20%) 은 그대로지만, 시간대별로 위험을 어떻게 나눌지 우리가 정할 수 있어!"

• 전략 A (초반 위험 허용): 1 시간에는 위험을 많이 허용하고 (안전 마진 좁게), 4 시간에는 아주 엄격하게 (안전 마진 넓게).
  • 결과: 초반에는 로봇이 더 빠르게 움직일 수 있지만, 후반에 더 조심해야 함.
• 전략 B (후반 위험 허용): 1 시간에는 아주 엄격하게, 4 시간에는 조금만 허용.
  • 결과: 초반에는 느리지만, 후반에 더 유연하게 움직일 수 있음.

이론적으로 **전체 안전성 (20% 위험)**은 똑같지만, 어디에 집중할지를 설계자가 선택할 수 있게 해주는 것입니다. 마치 예산 100 만 원을 가지고, "식비 50 만, 교통비 50 만"으로 고정하는 게 아니라, "오늘은 식비 80 만, 내일은 20 만"으로 유연하게 쓸 수 있게 해주는 것과 같습니다.

---

📊 실제 실험: 로봇의 길 찾기

논문에서는 이 아이디어를 실제 로봇 제어에 적용해 봤습니다.

• 실험: 로봇이 4 단계로 이동할 때, 각 단계마다 얼마나 '안전 마진'을 줄지 정했습니다.
• 결과:
  • 초반에 위험을 많이 허용한 경우: 로봇이 더 빠르고 자유롭게 움직였지만, 마지막에 충돌할 확률이 약간 높아졌습니다.
  • 후반에 위험을 많이 허용한 경우: 로봇이 초반에 매우 조심스러웠지만, 마지막에 더 안전하게 도착했습니다.

이것은 **"안전하다고 해서 무조건 꽉 막을 필요는 없다. 어디에 집중할지 선택하면, 같은 안전 수준에서도 더 똑똑한 로봇을 만들 수 있다"**는 것을 보여줍니다.

---

💡 요약: 이 논문이 우리에게 주는 메시지

1. 두 가지 언어는 하나다: 데이터를 버리는 방법과 데이터를 정렬하는 방법이 사실은 같은 '안전 마진'을 만드는 원리였습니다.
2. 버린 데이터는 '허용된 실수'다: 우리가 계산에서 제외시킨 데이터는 미래의 위험을 미리 정해둔 '예외'입니다.
3. 위험은 유연하게 분배하자: 전체 안전 기준은 유지하되, 시간이나 상황에 따라 위험을 어디에 더 집중할지 설계자가 선택할 수 있습니다.

한 줄 평:

"안전한 로봇을 만들 때, 무조건 꽉 막을 필요는 없어요. 어디에 집중할지 선택하면, 같은 안전 수준에서도 더 똑똑하고 효율적인 로봇을 만들 수 있습니다."

기술 요약

1. 문제 제기 (Problem Statement)

시스템 및 제어 분야에서 데이터 기반 안전 마진 (safety margins) 을 생성하는 두 가지 주요 방법론인 **시나리오 최적화 (Scenario Optimization)**와 **정합성 예측 (Conformal Prediction)**은 본질적으로 동일한 목표를 공유하지만, 서로 다른 용어와 프레임워크를 사용하여 왔습니다.

• 시나리오 최적화: 유한한 샘플 데이터를 기반으로 불확실한 시스템에 대한 안전 마진을 생성하며, '지지 제약 (support constraints)', '위반 확률', '폐기된 시나리오' 등의 개념을 사용합니다.
• 정합성 예측: 모델에 무관한 (model-agnostic) 보정 계층으로, '비정합성 점수 (nonconformity scores)', '보정 (calibration)', '커버리지' 등의 개념을 사용하여 예측 집합을 생성합니다.

두 이론 모두 **교환 가능성 (exchangeability)**을 핵심 메커니즘으로 사용하지만, 기존 연구 (O'Sullivan et al., 2026) 는 주로 '폐기 없이 (no-discarding)' 완전 지지된 시나리오 프로그램과 정합성 예측 간의 연결을 다뤘습니다. 그러나 실제 제어 설계 (예: 시나리오 MPC) 에서는 샘플을 폐기하는 (sample-and-discard) 알고리즘이 널리 사용되는데, 이에 대한 정합성 예측의 관점에서의 해석과 다중 출력/다중 단계 문제에서의 **위험 할당 (risk allocation)**을 체계화하는 데는 한계가 있었습니다.

2. 방법론 (Methodology)

이 논문은 시스템 및 제어 관점에서 두 이론 간의 연결을 재조명하고 확장합니다.

2.1. 폐기된 제약조건을 위한 전방향 연결 (Forward Bridge for Discarded Scenarios)

• 핵심 아이디어: 폐기된 샘플 (discarded samples) 을 정합성 예측의 관점에서 **'허용된 예외 (admissible exceptions)'**로 해석합니다.
• 안정된 유지 재구성 집합 (Stable Retained Reconstruction Set): 알고리즘이 최종 결정을 내리는 데 필요한 유지된 제약조건들의 부분집합 (재구성 집합, $C_r$) 이 존재하고, 이 집합을 제외한 다른 유지된 샘플을 제거해도 결정이 변하지 않는다는 가정 하에 분석을 진행합니다.
• 교환 가능성 기반 유도: 새로운 시나리오가 위반될 경우, 그 시나리오가 반드시 '폐기된 집합 ($D_r$)'에 속하거나 '재구성 집합 ($C_r$)'에 속해야 함을 증명합니다. 이를 통해 폐기된 샘플이 교환성 논리에서 허용된 예외로 작용함을 보여줍니다.

2.2. 모듈형 보정 규칙 (Modular Calibration Rule)

• 블록별 보정의 결합: 여러 개의 독립적인 블록 (예: 다중 출력, 시간 단계, 하위 시스템) 에 대해 각각 보정된 안전 마진 (certificate) 을 생성한 후, 이를 하나의 통합된 시스템 수준 보장으로 결합하는 규칙을 제시합니다.
• 위험 예산 할당: 전체 위험 예산 (risk budget) 을 각 블록에 어떻게 분배할지 설계자가 선택할 수 있게 하여, 다중 출력 예측이나 유한 시간 제어 문제에서 위험을 조정할 수 있는 유연성을 제공합니다.
• 독립성 가정 하의 개선: 블록 간 독립성이 보장될 경우, 단순한 합 (Union Bound) 대신 곱셈 규칙을 적용하여 더 보수적이지 않은 (tighter) 경계를 유도할 수 있음을 보여줍니다.

3. 주요 기여 (Key Contributions)

1. 폐기 알고리즘을 위한 정합성 해석: O'Sullivan et al. (2026) 의 연구를 확장하여, **샘플 폐기 (discarding)**가 포함된 일반적인 시나리오 알고리즘에 대해 정합성 예측 스타일의 해석을 제공합니다. 폐기된 샘플이 교환성 논리에서 '허용된 예외' 역할을 한다는 점을 명확히 했습니다.
2. 안정된 재구성 집합 기반의 평균 위반 법칙: 폐기된 샘플 수 ($r$) 와 재구성 집합의 크기 ($\zeta$) 를 사용하여 평균 위반 확률에 대한 상한을 유도했습니다. ($E[V] \le \frac{r+\zeta}{m+1}$). 이는 볼록한 완전 지지 시나리오의 고전적인 $(r+d)/(m+1)$ 법칙을 일반화한 것입니다.
3. 모듈형 위험 할당 규칙: 다중 출력 및 다중 단계 제어 문제에서 각 출력 또는 시간 단계별로 위험 예산을 분배하고 이를 결합하는 실용적인 규칙을 제안했습니다. 이는 제어기 설계자가 안전성과 성능 사이의 트레이드오프를 단계별로 조절할 수 있게 합니다.
4. 수치적 검증: 식별된 예측기 (identified predictor) 주위에 보정된 다중 단계 튜브 (calibrated multi-step tube) 를 적용하여, 동일한 전체 위험 예산 하에서도 위험 할당 방식 (증가형, 균일형, 감소형) 에 따라 튜브의 형태와 제어 성능이 어떻게 달라지는지 시뮬레이션으로 입증했습니다.

4. 결과 (Results)

• 이론적 결과: 폐기된 제약조건을 가진 알고리즘에 대해 교환 가능성 기반의 평균 위반 확률 상한을 증명했습니다. 이는 기존 시나리오 이론의 수학적 강함을 유지하면서도 정합성 예측의 직관적인 해석을 제공합니다.
• 수치적 실험 (비선형 스토캐스틱 시스템):
  • 위험 할당의 영향: 총 위험 예산 ($\sum \epsilon_k = 0.22$) 이 동일하더라도, 위험을 시간 단계별로 어떻게 분배하느냐에 따라 보정된 튜브 (calibrated tube) 의 폭과 허용되는 제어 입력이 크게 달라졌습니다.
    • 증가형 위험 할당: 초기 단계는 보수적이고 후기 단계는 관대한 튜브를 생성하여, 더 큰 제어 입력을 허용하지만 후기 위반 확률이 높아집니다.
    • 감소형 위험 할당: 후기 단계에 더 많은 보수성을 부여하여 제어 입력은 작아지지만, 전체 위반 확률은 현저히 낮아집니다.
  • 성능 - 안전성 트레이드오프: 모듈형 규칙을 사용하면 동일한 전체 안전 수준을 유지하면서도, 설계자가 원하는 시점 (예: 초기 반응성 vs 후기 안정성) 에 따라 성능과 안전성을 최적화할 수 있음을 확인했습니다.
  • 독립성 가정의 효과: 예측 오차가 독립적이라고 가정할 경우, 덧셈 규칙 대신 곱셈 규칙을 적용하면 동일한 안전 수준을 유지하면서 더 좁은 (less conservative) 튜브를 설계할 수 있음을 이론적으로 보였습니다.

5. 의의 및 결론 (Significance and Conclusion)

이 논문은 정합성 예측과 시나리오 최적화 간의 이론적 간극을 메우는 중요한 역할을 합니다.

• 이론적 통합: 제어 공학자들이 익숙한 '폐기된 시나리오' 개념을 정합성 예측의 '허용된 예외' 프레임워크로 자연스럽게 연결함으로써, 두 방법론의 통합적 이해를 도모했습니다.
• 실용적 도구: 특히 모듈형 위험 할당 규칙은 복잡한 다변수 제어 시스템이나 예측 제어 (MPC) 에서 안전 마진을 설계할 때 매우 실용적입니다. 설계자는 전체 위험 예산을 고정된 채로, 시스템의 특정 부분이나 시간 단계에 따라 위험을 유연하게 분배하여 성능을 극대화할 수 있습니다.
• 한계 및 향후 연구: 본 논문은 일반적인 PAC (Probably Approximately Correct) 꼬리 확률 (tail bounds) 이 아닌 기대값 (expectation) 상한을 제공하며, 모듈형 결합은 기본적으로 합 (union bound) 에 의존합니다. 향후 연구에서는 블록 간 의존성을 활용하여 더 보수적이지 않은 결합 규칙을 개발하거나, 폐쇄 루프 (closed-loop) 제어 환경으로의 확장을 모색할 필요가 있습니다.

결론적으로, 이 연구는 데이터 기반 제어 시스템에서 안전 마진을 생성하고 할당하는 방식을 체계화하여, 더 효율적이고 유연한 제어기 설계를 가능하게 하는 이론적 기반을 마련했습니다.