この研究は、準拠予測（CP）の概念を拡張し、多変量設定における予測分布の不確実性を扱う方法を提案しています。準拠予測は、モデル出力に対する不確実性セットを構築し、有限サンプルでのカバレッジ保証を提供しますが、スコアがスカラー値の場合のみ適用が容易です。本論文では、ベクトルの順序付けを最適輸送（OT）を通じて行い、ベクトル値のOT分位範囲を準拠化することで有限サンプルのカバレッジを復元します。具体的には、候補のランクを輸送マップを使用して定義し、全体の予測セットを明確に特定します。また、1次元では準拠予測分布（CPDs）が有効ですが、これを多次元に拡張することは未解決の問題でした。本研究では、初めて有限サンプルでのカバレッジを持つ多変量CPDsを構築し、有効な多変量分布を定義し、すべての導出された不確実性領域にカバレッジ保証を提供します。