연구진은 확률적 시계열 그래프에서 예측 성능만으로 모델 오류와 불가피한 불확실성을 구분하기 어렵다는 문제를 지적했어요. 이 연구는 이 문제를 해결하기 위해 Fisher 정보 최대화와 파라미터 복원력 향상 간의 추정-예측 균형을 분석했어요. 연구진은 과도기적 엣지를 가진 시계열 그래프를 생성하는 인과적 프레임워크를 제안하여 예측과 파라미터 복구를 동시에 평가할 수 있도록 했어요.
이 연구는 이분 로지스틱 파라미터화에 대해 Cramér–Rao bound를 유도하고 파라미터 추정 오류와 예측 손실 간의 균형을 검증했어요. 연구 결과에 따르면 예측 정확도만으로는 모델이 근본적인 인과 메커니즘을 학습했는지 알 수 없으며, 모델 오류와 프로세스 불확실성을 구분하는 벤치마크의 필요성을 강조했어요.
연구진은 모델이 근본적인 인과 메커니즘을 학습했는지 평가하는 새로운 벤치마크 개발을 제안하며, 예측 성능 외에 모델의 학습 정도를 평가하는 중요성을 강조했어요.