학습된 다이내믹스 모델(dynamics models)은 종종 스텝별 피처 시퀀스(per-step feature sequence)를 하나의 리드아웃 벡터(readout vector)로 풀링(pooling)함으로써 결함 심각도나 충격 강성(impact stiffness)과 같은 글로벌 물리적 질문에 답합니다. 이러한 시퀀스-투-글로벌(sequence-to-global) 인터페이스는 아직 충분히 연구되지 않은 시간적 크레딧 문제(temporal credit problem)를 야기합니다. 즉, 궤적 수준의 지도 학습(trajectory-level supervision)만으로는 모델이 타겟을 결정하는 짧은 물리적 이벤트(physical events)가 아닌, 풍부하고 매끄러운 상관관계(smooth correlates)를 읽음으로써 훈련 조건에서는 정확하게 예측할 수 있게 됩니다. 우리는 이러한 실패를 시간적 크레딧 희석(temporal credit dilution)이라고 부릅니다. 이는 훈련 손실(training loss)에 의해 드러나지 않으며, 표준적인 물리 정보 잔차(physics-informed residuals)로도 제거되지 않는데, 그 이유는 오류가 글로벌 리드아웃(global readout)이 기능적 크레딧(functional credit)을 할당하는 위치에 있기 때문입니다. 우리는 풀링된 크레딧이 이벤트 스텝(event steps)에 얼마나 도달하는지를 측정하기 위한 인터페이스 수준의 프로브(probe)인 Credit-in-Event를 도입하며, 이벤트 비율이 줄어듦에 따라 풀링된 선형 리더(linear reader)가 크레딧을 가짜 배경 채널(spurious background channel)로 라우팅한다는 것을 폐쇄형(closed form)으로 증명합니다. 그런 다음, 우리는 학습된 피처로부터 과도적 이벤트 코어(transient event core)를 추정하고, 이벤트 대 나머지(event-versus-rest) 대조를 통해 풀링된 표현(pooled representation)을 재앵커링(re-anchors)하는 학습 불필요 및 레이블 불필요(training-free and label-free) 리드아웃인 CREST를 제안합니다. 시뮬레이션된 기어 및 충격 시스템, 순환 및 어텐션 인코더(recurrent and attention encoders), 그리고 공개된 베어링 진동 데이터를 통해 CREST는 이벤트 크레딧을 복구하는 동시에 분포 외(out-of-distribution) 오류를 줄임을 보여줍니다. 절제 연구(Ablations) 결과, 안정적인 스텝 선택(stable-step selection)과 수용 영역 축소(receptive-field shrinking)는 실패하였으며, 이는 성능 향상이 일반적인 국소성(locality)이나 안정성 사전 확률(stability prior)이 아닌 이벤트 코어 크레딧 재앵커링에서 비롯됨을 확인시켜 줍니다.