잠재 파라미터(latent parameters)에 대한 시뮬레이션 기반 추론 (Simulation-based inference, SBI)은 종종 시뮬레이터의 오설정(misspecification), 즉 고유한 모델링 단순화로 인해 발생하는 시뮬레이션된 관측값과 실제 세계 관측값 사이의 불일치로 인해 방해를 받습니다. 견고한 SBI를 위한 최근의 최첨단 기술인 RoPE는 실제 관측값과 시뮬레이션된 관측값의 학습된 표현(learned representations) 사이의 최적 운송(optimal transport)을 통해 이를 해결하지만, SBI가 필요한 바로 그 환경에서는 일반적으로 사용할 수 없는 정답 파라미터 교정 쌍(ground-truth parameter calibration pairs)을 필요로 합니다. 실무자들이 실제로 가지고 있는 것은 체제 라벨(regime labels), 지침 텍스트(instruction text), 정책 게시물(policy bulletins)과 같은 비구조화된 사이드 정보(side-information)입니다. 우리는 이러한 사이드 채널(side-channel)을 사후 확률 교정(posterior correction)으로 전환하는 교정 불필요(calibration-free) 프레임워크인 MA-SBI(Misspecification-Aware Simulation-Based Inference)를 제안합니다. 학습된 교정기(corrector)는 사이드 채널 텍스트를 관측 공간 이동(observation-space shift)으로 매핑하며, 이는 사전 학습된 분할 사후 확률(pre-trained amortized posterior)에 적용됩니다. 이 과정은 재학습이나 파라미터 정답(parameter ground-truth)을 필요로 하지 않습니다. 우리의 주요 정리(main theorem)는 달성 가능한 편향 감소(bias reduction)를 오설정(misspecification)과 사이드 채널 사이의 상호 정보량(mutual information)으로 제한하며, Donsker-Varadhan을 통해 모든 하위 가우시안 노이즈(sub-Gaussian noise)로 확장되는 비공허한(non-vacuous) 상수를 가집니다. 교정 은닉(hide-the-calibration) 벤치마크에서 텍스트만을 사용한 MA-SBI는 10개의 시드와 두 개의 백본(backbone)에 대해 오라클 사후 확률(oracle posterior)과 일치하는 반면(TOST 등가성), 더 많은 데이터를 제공받은 RoPE는 그러하지 못합니다. 두 접근 방식은 상호 보완적입니다. 이론이 예측하듯이, 오설정이 구조적이고 파라미터 쌍으로부터 복구 가능한 경우에는 RoPE가 우세합니다. 확률적 변형(stochastic variant)은 실제 COVID 및 OxCGRT 역학 데이터에서 사후 예측 로그 가능도(posterior-predictive log-likelihood)를 개선하며, 잘 설정된 인지 과학 코퍼스(cognitive-science corpus)에서는 사후 확률을 변경하지 않고 올바르게 유지합니다.