kNNGuard는 파인튜닝 없이 기존 대규모 언어 모델(LLM)의 숨겨진 활성화(hidden activation) 공간을 활용해 안전하지 않거나 주제를 벗어난 적대적 프롬프트를 탐지하는 가드레일 프레임워크로, 50개의 레이블된 예시만으로 은행을 구성해 다층 kNN 분류를 수행한다. 6개 도메인 평가에서 파인튜닝 기반 최신 가드레일과 동등하거나 우수한 F1 성능을 달성하면서도 추론 속도는 최대 2.7배 빠르고, 새로운 도메인 적응은 10초 이내에 완료된다.
본 논문은 측정공간 위에 정의된 회귀 모델에서 불확실성 정량화를 위한 프레임워크를 제안한다. 제안한 동분산성(homoscedasticity) 개념을 사용하여, 유한 표본 한계적 커버리지 보장과 오라클 예측 영역에 대한 빠른 수렴 속도를 제공하는 컨포멀 예측 알고리즘을 정의한다. 이질분산(heteroscedastic) 설정에서는 일반 측정공간에서 국소적으로 적응적인 예측 반경을 제공하는 kNN 절차를 도입한다. 이 절차는 컨포멀 알고리즘과 동일한 유한 표본 보장을 제공하지는 않지만, 평활화 가정을 부과하지 않고 국소 커버리지 보정을 개선하도록 설계되었다. 두 절차 모두 다양한 회귀 알고리즘과 호환되며 대규모 데이터셋에 확장 가능하여, 실무자가 선호하는 모델을 사용하고 도메인 특화 지식을 통합할 수 있게 한다. 이질분산 kNN 접근법을 바탕으로, 최근접 이웃 전문가 집계(nearest-neighbor expert aggregation)에 기반한 측정공간 값 시계열을 위한 유연한 순차 확장도 개발한다. 최소 조건 하에서 제안 추정량의 일관성(consistency)을 증명한다. 마지막으로, 확률 분포 및 그래프 라플라시안(graph Laplacians)과 같은 확률적 객체(random objects)를 포함하는 맞춤형 의학 응용에서 본 프레임워크의 실용적 가치를 보여준다.