최근 발표된 연구에 따르면, AI 모델의 예측 정확도를 높이는 새로운 보정(calibration) 기법인 '국소화된 후방 추론(Amortized Localized Posterior Inference)'이 제안되었습니다. 이 방법은 모델이 특정 상황이나 맥락(context)에서 보이는 오차를 줄이는 데 초점을 맞춥니다. 특히, 관측 데이터와 맥락 자체에 내재된 불확실성을 정량화하고 반영함으로써, 단일 보정 매개변수로는 설명하기 어려웠던 복잡한 물리 시스템의 반응을 더 정확하게 재현할 수 있게 됩니다.
이 연구팀은 '가우스 국소화 가중치(Gaussian localization weights)'를 활용하여 관측 데이터의 가능도(likelihood)를 목표 맥락과의 근접성에 따라 차등적으로 적용합니다. 이는 맥락 불확실성을 공분산(covariance) 확장을 통해 통합하며, 경계면에서의 반사(reflection) 및 불균일한 맥락 샘플링에 대한 보정 기능도 포함합니다. 조건부 정규화 흐름(conditional normalizing flow)을 통해 국소화된 후방 분포(localized posterior distribution)를 근사하고, 이를 통해 모델 매개변수의 주변 분포(marginalized parameter distribution)를 도출합니다. 브래닌-후(Branin-Hoo) 모델을 사용한 실험에서 이 국소화 기법은 전역적(global) 추론 방식보다 집계된 예측 오차를 현저히 줄였습니다. 또한, 대기 표면 강제력(atmospheric surface forcing)을 맥락으로 하는 단일 칼럼 해양 모델의 k-ε 난류 종결(turbulence closure)에 적용했을 때, 온도와 구역 속도(zonal-velocity) 예측 오차를 결정론적(deterministic) 및 전역적 후방 보정 방식보다 감소시키는 효과를 보였습니다.
이러한 국소화된 후방 추론 방식은 복잡한 과학 및 공학 분야에서 모델의 신뢰성을 높이는 데 중요한 의미를 가집니다. 기후 모델링, 재료 과학, 금융 모델 등 다양한 분야에서 모델 불일치(model discrepancy)와 데이터 불확실성으로 인한 예측 오류는 심각한 문제로 인식되어 왔습니다. 이 새로운 접근법은 특정 조건에서 모델이 어떻게 작동하고 어떤 불확실성을 가지는지 더 미세하게 파악할 수 있게 함으로써, 기존의 전역적인 보정 방식이 놓칠 수 있는 중요한 세부 정보를 포착합니다. 결과적으로, 이는 더 정확하고 신뢰할 수 있는 예측을 가능하게 하여, 의사 결정 과정의 질을 향상시키고 과학적 발견을 가속화하는 데 기여할 것으로 기대됩니다.