컴퓨터 비전 및 역문제(inverse problem) 해결 분야에서의 놀라운 성공에 힘입어, 점수 기반 모델(score-based models)은 무선 통신 분야에도 점점 더 많이 적용되고 있으며, 다양한 물리 계층(physical-layer) 작업에서 유망한 성능을 보여주고 있습니다. 그러나 이러한 관심의 증가에도 불구하고, 현재의 문헌들은 점수 매칭(score-matching)이 전통적인 판별 학습(discriminative learning)에 비해 언제 실질적인 이점을 제공하는지에 대한 엄격한 분석이 부족한 경우가 많습니다. 본 논문은 무선 시스템의 근본적인 역문제인 채널 추정(channel estimation) 사례를 통해 이러한 공백을 메우고자 합니다. 우리는 인지-왜곡 트레이드오프(perception-distortion tradeoff)의 관점을 통해 점수 기반 채널 추정에 대한 이론적 근거를 갖춘 해석을 제시하며, 점수 매칭이 탁월한 성능을 보이는 조건과 주요 한계점을 식별합니다. 특히, 하위 무선 작업(예: 용량 최대화(capacity maximization))을 채널 추정 과정의 범함수(functionals)로 모델링함으로써, 표준적인 왜곡 최소화(distortion-minimization) 접근 방식에 의해 발생하는 초과 위험(excess risk)을 정량화합니다. 광범위한 수치적 결과에 따르면, 예측 불확실성(predictive uncertainty)이 높은 상황에서는 큰 초과 위험 격차를 점수 기반 추정으로 상쇄할 수 있어 학습된 사후 분포(posterior)를 통한 베이지안 최적(Bayesian-optimal)에 가까운 프리코딩(precoding)이 가능해지는 반면, 예측 불확실성이 낮은 영역에서는 낮은 복잡도와 더 효율적인 모델 용량 활용 덕분에 판별적 왜곡 최소화 접근 방식이 더 선호됩니다.