인과적 확률적 시계열 그래프에서의 추정-예측 트레이드오프 (Estimation--Prediction Tradeoff)

시계열 링크 예측 (Temporal link prediction)은 일반적으로 관찰되지 않은 엣지 (unseen edges)에 대한 예측 성능을 통해 평가되지만, 확률적 시계열 그래프 (probabilistic temporal graphs)에서는 이러한 기준이 모델 오차 (model error)와 줄일 수 없는 불확실성 (irreducible uncertainty)을 혼동할 수 있습니다. 우리는 Fisher 정보량 (Fisher information)을 최대화하고 파라미터 회복력 (parameter recoverability)을 향상시키는 체제(regimes)가 엔트로피 (entropy) 또한 가장 높은 체제라는 점에 주목하여, 이진 로지스틱 모델 (binary logistic models)에서의 내재적인 추정-예측 트레이드오프 (estimation--prediction tradeoff)를 규명함으로써 이 문제를 연구합니다. 이러한 체제에서는 완벽한 파라미터 회복 (parameter recovery)이 이루어지더라도 개별 예측이 본질적으로 더 어려워집니다. 우리는 일시적인 엣지 (transient edges)와 알려진 정답 인과 구조 (ground-truth causal structure)를 가진 시계열 그래프를 생성하기 위한 확률적 인과 프레임워크 (probabilistic causal framework)를 제안하며, 이를 통해 시계열 링크 예측을 인과 파라미터 회복 (causal parameter recovery)과 함께 공동으로 평가할 수 있도록 합니다. 제안된 이진 로지스틱 파라미터화 (binary logistic parametrisation)에 대해, 우리는 Cramér–Rao 하한 (Cramér–Rao bound)을 도출하고 파라미터 추정 오차 (parameter estimation error)와 줄일 수 없는 예측 손실 (irreducible predictive loss) 사이의 트레이드오프를 검증합니다. 우리의 결과는 예측 정확도 (predictive accuracy)만으로는 모델이 기저의 인과 메커니즘 (causal mechanism)을 학습했는지 여부를 반영하지 못할 수 있음을 보여주며, 이는 줄일 수 있는 모델 오차 (reducible model error)와 본질적인 프로세스 불확실성 (intrinsic process uncertainty)을 구분하는 벤치마크의 필요성을 시사합니다.