샘플 기반 생성 모델 (Sample-based generative models)은 높은 이해관계가 걸린 의사결정 환경에서 확률적 예측 (probabilistic forecasting)을 위해 점점 더 많이 사용되고 있지만, 이들의 학습 목적 함수 (training objectives)는 의사결정자의 비용 구조 (cost structure)를 인지하지 못합니다. 이러한 모델들은 일반적으로 에너지 점수 (energy score)와 같은 엄격하게 적절한 점수 규칙 (strictly proper scoring rules)을 사용하여 학습되며, 이는 데이터 밀도 (data density)에 비례하여 학습 신호를 할당할 뿐, 예측 오류가 하류 의사결정 (downstream decisions)에 있어 어디에서 가장 비용이 많이 발생하는지에 대해서는 인지하지 못합니다. 따라서 우리는 샘플 기반 생성 모델을 위한 의사결정 인지 학습 (decision-aware training)을 제안하며, 모델의 예측에 따라 행동함으로써 발생하는 비용을 직접적으로 처벌하는 미분 가능한 의사결정 손실 (differentiable decision loss)을 통해 에너지 점수 목적 함수를 보강합니다. 의사결정 손실 자체가 적절한 점수 규칙 (proper scoring rule)이므로, 이 결합된 손실은 이론적 근거를 갖습니다. 우리는 하나의 합성 (synthetic) 작업과 두 개의 실제 (real-world) 작업에서 우리의 방법을 검증하였으며, 완전한 확률적 예측 (probabilistic forecasts)을 유지하면서도 비용 민감 영역 (cost-sensitive regions)에서 표적화된 개선을 보여주었습니다.