エッジインテリジェンスはコンパクトなデバイスモデルを通じて低遅延の推論を可能にしますが、その信頼性を確保することは依然として難題です。本研究では、エッジが予測セットを返す際に、その真のラベルをユーザー指定の確率で含むよう条件付きカバレッジを維持すべきエッジ-クラウドカスケードについて考察します。条件付きカバレッジをクラウドの予測分布に基づいて定義し、リスクレベルをユーザーが制御できる準拠アラインメントベース(CAb)カスケーディングメカニズムを導入します。CAbモデルカスケーディング手法は、エッジからクラウドモデルへのエスカレーションを多重仮説検定問題として構築し、エッジで安全に扱える入力の選定に準拠アラインメントを活用します。提案する手法は、エッジの決定がクラウドレベルの条件付きカバレッジを満たす平均割合に対して統計的な保証を提供します。実験では、CIFAR-100画像分類やTeleQnA質問応答ベンチマークでCAbカスケードがエッジ予測の条件付きカバレッジを維持しつつ、クラウドへのオフロードを大幅に減少させ、予測セットのサイズを適度に増加させることを示しました。