모델 단순화에도 불구하고 예측 불확실성을 정확히 정량화하는 방법

본 연구는 “모델은 모두 틀렸다”는 통념 아래, 실제 의사결정에 활용될 예측의 불확실성을 얼마나 정확히 정량화할 수 있는가를 탐구한다. 저자는 먼저 고차원·고정밀 참조 모델을 정의하고, 이를 통해 데이터 d와 예측 p가 파라미터 x 와 선형 관계 G, Y 에 의해 연결된다고 가정한다. 사전은 평균 0, 공분산 Σₓ 인 다변량 정규분포이며, 관측 오차 δ 는 공분산 Σ_δ 를 갖는 정규분포로 모델링한다. 이러한 설정 하에 베이즈 정리를 적용하면, 최적 사후 p(p|d) 가 얻어지며, 이는 이론적 “베스트 케이스”가 된다. 하지만 실제 모델링에서는 계산·데이터 제한으로 인해 파라미터 공간을 저차원 서브스페이스 S (차원 v < x) 로 사영하는 단순화가 불가피하다. 저자는 이 사영을 “모델 단순화”라 정의하고, 단순화가 예측 불확실성에 미치는 영향을 체계적으로 분석한다. 첫 번째 핵심 개념은 “최적 단순화”이다. 이는 사영 행렬 S 가 관측 행렬 G와 예측 행렬 Y가 정의하는 서브스페이스를 완전히 포함할 때 성립한다. 즉, S 가 G와 Y의 열공간을 완전히 포괄하면, 표준 확률적 보정(예: Tikhonov 정규화)만으로도 최적 사후와 동일한 공분산을 얻을 수 있다. 이 경우 단순화가 불확실성 추정에 부정적 영향을 미치지 않는다. 그러나 대부분의 경우 S 는 최적이 아니다. 저자는 두 가지 보정 스킴을 제시한다. 1) **조정 사전(Adjusted Prior) 스킴**: 사전 공분산 Σₓ 에 S, G, Y의 구조 정보를 삽입한다. 구체적으로, Σₓ 를 S 와 G, Y 가 정의하는 투영 연산과 결합한 형태로 재구성함으로써, 단순화가 제거한 자유도를 사전 단계에서 보완한다. 이 방법은 최적 단순화와 동일한 사후 공분산을 재현하며, Tikhonov 정규화의 일반화된 형태로 해석될 수 있다. 2) **데이터‑예측 의존 구조 활용 스킴**: 데이터 d와 예측 p 사이의 상관구조를 분석하여, 단순화에 의해 손실되지 않는 관측을 선택한다. 즉, d 와 p 가 S 에 의해 억제되지 않는 서브스페이스에 속하는 경우, 해당 데이터를 우선적으로 활용하면 단순화 오류가 사후에 전파되는 것을 최소화할 수 있다. 이는 서브스페이스 정규화와 수학적으로 동등하며, 데이터 설계 단계에서 단순화 영향을 완화하는 전략이다. 두 스킴 모두 “과신(under‑confidence)”, 즉 불확실성을 과소평가하는 위험을 방지한다. 저자는 또한 이러한 보정이 적용되지 않을 경우, 단순화 모델이 과도하게 자신감 있는(over‑confident) 예측을 제공하게 되어 의사결정에 심각한 오류를 초래할 수 있음을 경고한다. 논문은 이론적 결과를 뒷받침하기 위해, 선형화된 지하수 흐름 모델을 사례로 제시한다. 여기서 고차원 파라미터(투수성 필드 등)를 저차원 대표 변수로 사영하고, 제안된 두 보정 스킴을 적용한 결과, 기존 표준 보정에 비해 예측 불확실성이 보다 보수적으로(즉, 넓은 신뢰구간) 추정됨을 확인한다. 마지막으로 저자는 현재 분석이 선형·가우시안 가정에 제한된 점을 인정하고, 비선형·비가우시안 시스템에 대한 확장 가능성을 논의한다. 베이지안 비선형 사전·우도 근사, 샘플링 기반 방법, 그리고 머신러닝 기반 사전 학습 등과의 연계가 향후 연구 과제로 제시된다. 결론적으로, 본 논문은 모델 단순화와 불확실성 정량화 사이의 구조적 관계를 명시적으로 규정하고, 두 가지 실용적인 보정 전략을 통해 단순화 모델에서도 신뢰할 수 있는 예측 불확실성을 제공할 수 있음을 증명한다. 이는 환경·수리학 등 데이터가 제한된 복잡 시스템에서 의사결정 지원 모델링의 신뢰성을 크게 향상시킬 수 있다.