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.