연구진은 동적 시스템 재구현(DSR)에서 시간-계열 데이터의 역학을 포착하는 서브 모델을 학습하는 과정에서 불확실성 추정의 일관성 문제가 발생함을 지적했어요.
특히, 가우시안 롤아웃 목적 함수는 혼돈 시스템에서 Jacobian에 의한 공분산 성장을 억제하여 물리적 확장을 약화시키거나 불확실성을 역학으로부터 분리하는 문제를 야기하는 'DPC 격차'를 발생시킬 수 있다고 밝혔어요.
KAFFEE라는 새로운 프레임워크를 제안하여 이 격차를 완화하고, KAFFEE는 로컬 예측 잔차(혁신)에 대한 likelihood를 평가하며 학습된 로컬 Jacobian을 통해 공분산을 전달하는 확장된 칼만 필터 기반의 학습 프레임워크예요.