최근 딥 생성 모델(Deep Generative Models)은 의료 영상(Medical Imaging) 및 과학적 발견(Scientific Discovery)과 같이 예측의 불확실성이 예측 자체만큼이나 중요한 고위험 애플리케이션(High-stakes applications)을 포함하여, 역문제(Inverse Problems)의 사후 추론(Posterior Inference)에 사용되어 왔습니다. 그러나 사후 불확실성(Posterior Uncertainty)은 순방향 연산자(Forward Operator)에 내재된 모호성(Ambiguity)과 추론을 통해 전파된 불확실성(Uncertainty)이 혼합될 수 있기 때문에 해석하기 어렵습니다. 본 논문에서는 내재적 모호성(Intrinsic Ambiguity)을 격리하는 사후 불확실성의 구조적 분해(Structural Decomposition)를 소개합니다. 캐스케이드 공식화(Cascade Formulation)는 이러한 모호성을 보정 분석(Calibration Analysis)이 가능하도록 만들어, 모델을 재구성 품질(Reconstruction Quality)만으로 선택했을 때 숨겨져 있는 실패 모드(Failure Modes)를 드러내는 질적 진단(Qualitative Diagnostics) 및 시뮬레이션 기반 보정(Simulation-based Calibration) 테스트를 가능하게 합니다. 우리는 먼저 분석적 사후 구조(Analytical Posterior Structure)를 가진 가우시안(Gaussian) 예시를 통해 이 접근법을 검증하고, 가속 자기공명영상(MRI)에서 이 분해를 시연하며, 마지막으로 뇌전도(EEG) 소스 영상(Source Imaging)에 보정 진단(Calibration Diagnostics)을 적용합니다.