Executive Summary

주요 수치

출처: Chang & Sapsis, Nature Communications (2026-08-20) 및 arXiv:2510.19161 v2

도시의 방조제가 초대형 폭풍을 견딜지, 지역 전력망이 기록적 폭염에 버틸지, 어느 마을의 소방 자원이 대형 산불을 막을 수 있을지. 이런 질문에 답하려면 먼저 그 사건이 어떻게 전개될지를 알아야 합니다. 산불은 얼마나 번지고, 폭풍은 어느 범위를 덮치며, 폭염은 며칠이나 이어지는가. 계획가와 정책 담당자, 보험사가 실제로 던지는 질문도 여기서 나옵니다. 뉴욕에 100년에 한 번 오는 폭풍은 어떤 모습인가.

문제는 그 답을 내놓는 시뮬레이션이 무엇을 먹고 자라느냐에 있습니다. 100년에 한 번 오는 사건으로 이어지는 조건을 배우려면 그런 사건이 포함된 데이터로 훈련해야 합니다. Chang은 MIT News와의 인터뷰에서 기존 방법들의 전제를 이렇게 정리했습니다. "이 방법들은 데이터셋에 아주 재난적인 사건이 있다고 가정하고, 그 사건의 위험을 추정하거나 이미 일어난 사건을 정확히 예측하려 합니다." 그리고 자신들의 질문을 이어 붙였습니다. "우리가 보려는 것은, 지금까지 일어난 어떤 일보다 위험하면서도 여전히 그럴듯한 전례 없는 극한 사건이 어떤 모습이냐는 것입니다."

기록에는 그런 사건이 없습니다. 극한 사건은 정의상 이상치이고, 관측 역사 안에서 드문드문 흩어져 있습니다. 그래서 이 분야의 다른 접근들도 같은 벽에 부딪힙니다. 다음에 어디를 표본으로 뽑을지 고르는 능동 학습은 초기 표본에 극한 사건이 조금이라도 들어 있어야 그쪽으로 탐색을 몰아갈 수 있습니다. 하나도 없으면 무작위로 헤매게 됩니다. 대편차 이론에 기댄 방법들은 지배 방정식이 있다고 전제하고 고차원 최적화를 풀어야 합니다. 기후 모델의 보정 연산자처럼 훈련 자료가 과거 관측뿐인 문제에서는 그 전제조차 성립하지 않습니다.

논문은 이 어려움을 감각이 아니라 정리로 못박습니다. 저자들은 데이터가 풍부한 구간에서 잘 맞을수록 데이터가 없는 극한 구간의 오차가 상대적으로 커지는 추정기를 데이터 정합 추정기라 정의합니다. 오늘날 널리 쓰이는 평균제곱오차 최소화 추정기가 여기 들어갑니다. 그리고 훈련 표본 수가 어떤 문턱 아래로 내려가면, 참 분포와 모델이 밀어낸 분포 사이의 1-바서슈타인 거리에 0이 아닌 하한이 높은 확률로 존재한다는 것을 보입니다. 그 하한을 지배하는 값이 바로 극한 구간에서의 오차입니다. 데이터가 없는 곳에서 잘하지 못하는 성질은 훈련을 더 열심히 해서 좁힐 수 있는 간격이 아닙니다.

Sapsis가 MIT News에서 말한 문장이 이 상황을 요약합니다. "우리는 이 최악 시나리오의 지도를 예측하고 싶습니다. 드물게 일어나는 사건을 효율적으로 예측하는 방법은 없습니다." 그래서 저자들이 던진 질문은 방향이 다릅니다. 극한 데이터가 부족하거나 아예 없는 영역에서, 데이터셋 너머를 보고 의미 있는 극값을 만들어 내는 체계적인 방법이 있는가.

η-러닝의 구조는 단순합니다. 기존 지도 학습 손실을 그대로 두고, 항을 하나 더합니다. 더해지는 항은 모델이 만들어 내는 출력에서 계산한 어떤 스칼라 값의 분포와, 미리 정해 둔 참조 분포 사이의 1-바서슈타인 거리입니다. 두 항의 비중은 계수 하나로 조절합니다. 데이터가 있는 구간에서는 첫 항이 모델을 관측에 붙들어 두고, 데이터가 없는 꼬리에서는 두 번째 항이 모델이 내놓는 값들의 형태를 잡아 줍니다.

두 항의 비중을 정하는 계수는 실무에서 곧바로 걱정거리가 되는 자리입니다. 잘못 잡으면 한쪽이 다른 쪽을 삼킬 테니까요. 저자들은 나머지 설정을 고정한 채 이 계수만 10⁻⁴에서 10까지 다섯 자릿수에 걸쳐 바꿔 본 실험을 함께 실었습니다. 그 범위 전체에서 모델이 밀어낸 관측량 분포는 흔들리지 않았습니다. 훈련을 단계로 나눠 진행하는 절차 덕분이라는 것이 저자들의 설명입니다.

여기서 쓰이는 스칼라 값을 저자들은 극한성을 나타내는 관측량이라 부릅니다. 강수 실험에서 고른 관측량은 지도 한 장의 공간 최댓값입니다. 고해상도 강수 지도 한 장에서 가장 많이 내린 지점의 값 하나입니다. 모델이 지도를 아무리 여러 장 만들어도, 제약이 붙는 대상은 그 지도들의 최댓값이 이루는 1차원 분포뿐입니다.

그러면 참조 분포는 어디서 오는가. 이 질문이 방법의 급소이고, 저자들도 논의 절에서 가장 먼저 다룹니다. 답은 하나가 아닙니다. 지진 세기와 강수량에는 α-안정 분포가 오래 쓰였고, 최고 해수면과 금융 위험에는 최대안정 분포가 널리 적용됩니다. 약한 비선형계의 점근 해석, 확률 가진을 받는 계의 백색잡음 근사, 깁스 가설처럼 분포의 형태를 알려 주는 이론적 장치도 있습니다. 이런 이론이 없는 경우라면, 라벨이 없어 지도 학습에는 쓸 수 없던 자료에서 비지도 학습으로 참조 분포를 추정할 수 있습니다. 그것마저 없으면 일반화 극단값 분포 같은 형태를 가정하고, 그 가정과 관측 자료 양쪽에 부합하는 실현이 어떤 모습인지 살펴봅니다.

거리를 재는 잣대로 1-바서슈타인을 고른 데에도 이유가 있습니다. 흔히 쓰는 KL 발산은 꼬리에서의 불일치에 그 지점의 확률밀도를 곱해 가중합니다. 그런데 희귀 사건 구간에서는 그 밀도가 바로 작습니다. 꼬리에서 두 분포가 크게 어긋나 있어도 목적함수에는 거의 반영되지 않습니다. 로그 밀도를 직접 비교하는 방식은 꼬리를 더 민감하게 보지만, 밀도 추정이 정확해야 하고 어느 한쪽 밀도가 0에 가까우면 수치가 불안정해집니다. 학습 초기에 모델이 극값 구간에 확률질량을 거의 주지 않는 상황이 정확히 그런 경우입니다. 1-바서슈타인 거리는 두 분포의 꼬리가 거의 겹치지 않아도 유한하게 정의되고, 1차원에서는 분위 함수의 차이를 적분한 값과 같아 표본에서 곧바로 추정할 수 있습니다. 그 표현 덕분에 수치 근사를 꼬리 쪽에 집중시키는 것도 가능합니다.

논문이 실험으로 다룬 문제는 모두 다섯 가지입니다. 방법이 어떻게 움직이는지 눈으로 보이기 위한 인공 예제 둘, 그리고 실제 강수 다운스케일링을 놓고 벌인 응용 셋입니다. 다섯 가지 전부 관심 있는 극한 사건이 데이터셋에 아예 없도록 일부러 구성했습니다.

실증은 통계적 다운스케일링 과제에서 이뤄졌습니다. 이 과제에서 데이터 부족은 구조적으로 발생합니다. 저해상도 시뮬레이션 자료는 긴 기간을 덮지만 극한을 만드는 미세 구조를 담지 못하고, 고해상도 관측 자료는 세밀하지만 시간적으로 짧습니다. 다운스케일링은 저해상도 자료의 해상도를 끌어올리되 특히 꼬리에서의 관측량 통계가 참값과 맞도록 만드는 일입니다.

저자들이 쓴 자료는 ERA5-Land의 1999년부터 2023년까지 25년치 시간 단위 총강수량이며, 대상 지역은 미국 본토입니다. 일 단위로 모아 저해상도와 고해상도가 짝지어진 지도 9,044쌍을 만들었습니다. 극값의 점 통계, 그러니까 지도 전체의 최대 강수량이 어떤 수준에 얼마나 자주 도달하는지는 이 25년 전체 기록에서 계산했습니다. 반면 저해상도 지도와 고해상도 지도의 공간 대응을 배우는 훈련에는 기록의 첫 6개월 쌍만 썼습니다. 그 6개월 구간에는 가장 극심한 강수 사례가 거의 또는 전혀 들어 있지 않습니다.

결과는 두 분포를 겹쳐 보면 드러납니다. 평균제곱오차로 훈련한 맵이 밀어낸 최댓값 분포는 참 분포를 완전히 놓쳤습니다. 훈련 자료가 닿지 않은 오른쪽 구간으로는 분포를 밀어내지 못한 것입니다. η-맵은 분위값 150 위쪽의 확률밀도 정보만 받고도 참 분포의 꼬리에 붙었습니다. 꼬리를 교정하자 몸통 부분의 분포까지 평균제곱오차 맵보다 나아졌습니다.

훈련 중에 직접 강제하지 않은 통계로도 개선이 옮겨 갔습니다. 문턱을 넘는 값들의 평균을 재는 조건부 평균 지표에서, 문턱을 154부터 214까지 옮겨 가며 계산한 결과 η-맵의 표본이 평균제곱오차 맵의 표본보다 일관되게 참값에 가까웠습니다. 다만 모든 지표가 좋아지지는 않았습니다. 문턱을 넘는 값들이 전체 크기에서 차지하는 몫을 따지는 가중 커버리지 지표에서는 낮은 문턱 구간에서 오히려 평균제곱오차 맵 쪽이 참값에 더 가까웠습니다. 훈련이 제약한 것은 공간 최댓값이지 초과분의 비중이 아니기 때문입니다. 다만 문턱을 계속 올리면 관계가 뒤집힙니다. 평균제곱오차 맵의 분포는 점점 한 점으로 붕괴해 극값을 아예 표현하지 못하게 되고, η-맵의 분포는 그 구간에서도 참 분포의 쓸 만한 대리로 남습니다.

전체 격자에서 치른 대가도 표로 정리돼 있습니다. 9,044쌍 전부에 대해 RMSE는 2.878에서 3.112로 8.13% 올랐고, 공간 구조의 유사도를 재는 SSIM은 0.947에서 0.944로 0.30% 내려갔습니다. 참조 분포의 상위 분위로 갈라 본 꼬리 부분집합에서는 RMSE 증가가 9.21%에서 10.30% 사이였고, SSIM 감소는 0.48% 안에 머물렀습니다. 반대쪽인 몸통 부분집합, 그러니까 참조 분포의 0.7과 0.8과 0.9 분위 아래로 갈라 본 경우에는 RMSE 증가가 6.20%에서 6.92% 사이였고 SSIM 감소는 0.27% 안이었습니다. 대가가 꼬리 쪽 장면에서 더 크게 나타난다는 뜻입니다. 저자들의 정리는 이렇습니다. 스칼라 관측량을 강조하면 점별 강도에서 완만한 비용이 생기고 그 비용은 최댓값이 큰 장면에서 더 크지만, 국소적인 공간 형태가 크게 망가지지는 않습니다.

이 방법이 하지 못하는 것도 같은 그림 안에 있습니다. 생성된 극한 강수 지도는 크기의 통계로는 일관되지만 공간적 위치는 어긋납니다. 참값에 극한 사건이 전혀 없는 날에 η-맵이 극한을 만들어 낸 사례도 논문 그림에 그대로 실려 있습니다. 저자들은 이것을 방법의 실패가 아니라 확률적 성질로 설명합니다. 분포를 맞추는 정규화는 극값이 언제 어디서 나타나는지를 지정하지 않기 때문입니다. 생성된 지도에 남아 있는 동역학적 구조는 바서슈타인 항이 아니라 지도 학습 쪽에서 물려받은 것입니다. 저해상도 장면 하나하나가 물리 상태의 거친 표현을 제공하고, 첫 6개월의 쌍이 공간 대응의 라벨 역할을 합니다.

MIT News는 이 능력을 사용자의 질문 형태로 설명합니다. 뉴욕에서 지금까지 기록된 최대 강수량이 200밀리라면, 300밀리를 만들어 낼 폭풍은 어떤 모습인가. 한 번도 기록된 적 없지만 여전히 그럴듯한 사건입니다. 훈련된 알고리즘에 100년에 한 번 오는 폭풍을 물으면, 그 빈도로 일어날 법한 폭풍의 크기와 덮는 면적과 강수 강도를 담은 지도들이 나옵니다. Chang의 표현으로는 이렇습니다. "누군가 100년에 한 번 일어나는 사건의 위험을 견디도록 무언가를 짓고 싶다고 말하면, 우리는 그런 드문 빈도로 일어날 수천 개의 가능한 실현을 만들어 낼 수 있습니다."

같은 강수 자료 위에서 저자들이 이어 붙인 두 번째 실험은 질문이 다릅니다. η-러닝을 다운스케일링 모델 자체로 쓰는 대신, 이미 굴러가고 있는 생성 모델의 통계를 뒤에서 고쳐 주는 장치로 붙일 수 있느냐는 것입니다. 실험에 쓴 생성 모델은 플로 매칭이지만, 이 구성은 특정 생성 모델 구조에 매이지 않습니다. 배경에는 익숙한 곤란이 있습니다. 생성 모델은 훈련에 많은 자료를 요구하는데, 고해상도 자료야말로 늘 모자란 쪽입니다.

비교 대상은 양쪽 모두 실패합니다. 25년치 저해상도 자료로 훈련한 플로 매칭 모델은 자료는 충분히 받았지만, 저해상도 자료 자체가 극한을 만드는 미세 구조를 담지 못해 꼬리를 놓칩니다. 6개월치 고해상도 자료로 훈련한 플로 매칭 모델은 해상도는 맞지만 자료가 모자라 역시 꼬리를 놓칩니다. 저자들이 놓은 우회로는 저해상도 모델이 새로 만들어 낸 25년치 표본을 η-맵으로 초해상화하는 것이었습니다. 6개월치로만 훈련한 η-맵이 그 표본들의 분포를, 특히 꼬리를 참값 가까이 끌어올렸습니다. 결과 곡선의 꼬리가 참값보다 조금 위에 놓인 것은 저해상도 모델에서 25년치 표본을 새로 뽑는 과정의 불확실성 때문이지 η-맵이 과하게 정규화됐다는 증거는 아니라고 저자들은 덧붙입니다.

이 실험에 딸린 확인 절차는 자료를 더 모으면 어디까지 갈 수 있는지를 함께 보여 줍니다. 고해상도 모델의 부진이 정말 자료 부족 때문인지 확인하려고, 저자들은 고해상도 훈련 자료를 2.5년과 10년과 25년으로 늘려 가며 플로 매칭 모델을 따로따로 훈련했습니다. 자료가 늘수록 분포의 몸통이 참값 쪽으로 옮겨 갔고 꼬리가 무거워졌습니다. 그리고 25년 전체를 쓴 시점에 이르러서야 꼬리의 감소율이 참값과, 그리고 η-맵이 밀어낸 분포와 맞아떨어졌습니다. 저자들은 이 모델들을 경쟁 상대로 내세우지 않습니다. η-맵이 쓴 자료는 6개월뿐이므로 이 비교는 진짜 경쟁 상대인 6개월 고해상도 모델이 왜 그렇게 행동하는지를 설명하기 위한 것이라고 적어 두었습니다.

세 번째 강수 실험은 첫 번째 다운스케일링 설정을 그대로 두고 참조 분포만 바꿉니다. 참 분포를 쓰는 대신, 일부러 더 무거운 꼬리를 가정한 일반화 극단값 분포를 넣었습니다. 기록에 남은 것보다 더 나쁜 쪽으로 꼬리를 열어 두고, 관측 자료와 그 가정 양쪽에 부합하는 고해상도 강수장이 어떤 모습인지 묻는 실험입니다. 결과 분포는 가정한 쪽으로 이동했고, 참 분포보다 무거운 꼬리를 가졌습니다. 관측 기록 너머의 꼬리 정보만으로 시나리오를 만들 수 있다는 것이 이 실험의 요지입니다.

저자들은 이 결과에 곧바로 제동을 겁니다. 이 실험은 가정한 참조 분포도, 그 가정 아래 증폭된 강수값도 검증하지 않습니다. 분포 정규화 항은 공급받은 꼬리 통계를 강제하도록 설계돼 있으므로, 꼬리를 잘못 지정하면 학습된 맵은 그만큼 잘못된 극값 크기를 생성합니다. 이 효과는 감도 분석으로 정량화돼 있습니다. 공급하는 꼬리 분위를 매개변수 하나로 흔들어 무거운 방향으로 옮기자 전체 격자 RMSE가 2.926에서 3.527로 20.55% 늘었습니다. 같은 구간에서 SSIM은 0.941과 0.947 사이에 머물렀습니다. 어긋남이 공간 형태가 아니라 값의 크기에서 나온다는 뜻입니다.

그래서 이 실험의 그림들은 가정에 조건부인 시나리오로 읽어야 합니다. 가정한 무거운 꼬리를 부과했을 때 학습된 다운스케일링 맵이 어떻게 반응하는지를 보여 줄 뿐, 그 증폭된 극값이 실제로 일어난다거나 그 크기가 물리적으로 검증됐다는 증거는 아닙니다. 저자들의 조건은 분명합니다. 참조 꼬리를 명시적인 모델링 가설로 취급하고 적절한 감도 분석을 함께 붙일 때만, 이런 조건부 시나리오가 위험 평가와 의사결정에 쓸모가 있습니다.

더 근본적인 한계는 논의 절이 직접 짚습니다. 정해 둔 관측량의 분포를 맞추는 일은 극한 사건을 만들어 내는 동역학적 메커니즘을 식별하지 않습니다. 바서슈타인 항은 관측량의 통계를 제약할 뿐, 시간적 전개나 공간적 조직화, 넓은 의미의 물리적 정합성을 스스로 결정하지 않습니다. 서로 다른 메커니즘이나 상태 구성이 같은 관측량 분포를 만들어 낸다면, 현재의 목적함수로는 둘을 구분할 수 없습니다. 개별 사건 수준에서도 마찬가지입니다. 정해 둔 관측량 법칙은 관측되지 않은 극값의 정확한 위치나 발생 시각, 온전한 공간 구조를 결정해 주지 않습니다.

이 흔들림의 크기는 인공 예제에서 숫자로 나와 있습니다. 2차원 입력을 받아 1차원 값을 내는 예제에서 같은 설정으로 초기값만 달리해 η-추정기 20개를 따로 훈련하자, 각 추정기가 최댓값을 놓은 위치의 앙상블 공간 표준편차가 3.992였습니다. 참 최댓값 위치의 2-노름은 2.86입니다. 추정된 봉우리들이 흩어진 폭이 원점에서 참 봉우리까지의 거리보다 컸습니다. 반면 자료가 많은 구간의 예측이 정확하다는 점과 출력 확률밀도가 참조 분포에 맞는다는 점은 20개 전부에서 유지됐습니다. 관측량의 꼬리 통계를 강제하면 후보 극값이 만들어지지만, 그 극값을 낳는 물리적 구조까지 지목되지는 않는다는 것이 저자들의 해석입니다.

이론 쪽에도 같은 경고가 붙어 있습니다. 저자들은 관측량 분포에서의 수렴이 곧 점별 신뢰성을 뜻하지는 않는다고 적고, 학습된 맵은 분포적으로 보정된 후보 극값을 내놓는 장치로 읽어야지 극값의 참 위치나 시각이나 메커니즘을 복원한 것으로 읽어서는 안 된다고 못박습니다. 점별 신뢰성을 얻으려면 더 풍부한 관측량이나 공간과 시간의 기준점, 혹은 훈련 중에 걸어 두는 구조적이고 물리적인 제약 같은 추가 식별 정보가 필요합니다.

다만 저자들은 이 불확실성을 없앨 대상이 아니라 활용할 자원으로 봅니다. 독립적으로 훈련한 η-맵 여러 개는 통계적으로는 일관되면서 서로 다른 후보 극한 사건을 만들어 냅니다. 이 후보들을 발생 위치나 시각, 공간 패턴 같은 물리적으로 의미 있는 속성으로 정리하면, 대표 시나리오를 골라 다음 라운드의 데이터 수집을 겨눌 수 있습니다. 표적 고해상도 시뮬레이션이나 실험으로 해당 가설을 검증하거나 기각하면서, 데이터가 없는 구간의 불확실성을 점진적으로 줄이는 방식입니다.

저자들이 직접 든 기상 밖 사례는 두 가지입니다. 로봇 내비게이션, 그리고 금융시장입니다. Chang은 시장 쪽 예시를 이렇게 설명했습니다. "금융시장 붕괴는 여러 부문이 얽힌 복잡한 조합에서 나오는 극한 사건입니다. 시장 붕괴로 이어지는 상호작용이 무엇인가. 이 방법이 탐구할 수 있는 지점이 그것입니다." 논문의 논의 절은 응용 후보를 조금 더 넓게 나열합니다. 에이전트 기반 의사결정, 합성 금융 데이터 생성, 안전 필수 제어, 기후 극한 모델링입니다. 기상 안에서도 관련 점 통계와 공간 자료가 확보되는 한 홍수와 산불 같은 다른 극한 사건으로 넓힐 수 있다고 적혀 있습니다.

Sapsis가 MIT News에서 덧붙인 맥락은 이 확장이 왜 급한지를 설명합니다. "극한 사건은 환경적 관심사를 넘어 전략적 관심사가 됐습니다. 우리는 전 지구적 시스템을 효율성에 맞춰 최적화해 왔고, 그 효율의 대가로 어디에도 여유가 거의 남지 않았습니다. 단 하나의 극한 사건이 몇 주 만에 공급망과 에너지 시장과 식량 체계를 타고 번집니다." 그리고 결론을 이렇게 맺습니다. "아직 일어나지 않은 사건에 확률을 매길 수 있다는 것은 이제 국가와 경제의 회복력 문제입니다."

여기서부터는 논문이 하지 않은 이야기입니다. 자율주행의 코너 케이스, 설비 이상 탐지, 신용 급락 같은 문제들도 롱테일이 비어 있다는 점에서는 같은 모양을 하고 있습니다. 다만 논문이 이 사례들을 다뤘다는 뜻은 아니고, 실험이 이 도메인에서 재현됐다는 뜻은 더욱 아닙니다. 원자료가 이름을 댄 것은 로봇 내비게이션과 금융시장뿐입니다.

그래서 자기 데이터셋에 이 발상을 옮길 수 있는지를 가르는 조건은 도메인 이름이 아니라 두 가지 질문에 있습니다. 첫째, 심각도를 대표하는 스칼라 관측량 하나를 정의할 수 있는가. 강수에서는 지도 한 장의 최댓값이 그 역할을 했습니다. 둘째, 그 관측량의 꼬리 분포를 데이터 바깥에서 방어할 수 있는가. 기상과 지진과 해수면에는 수십 년의 기록과 극단값 이론이라는 두 겹의 근거가 있습니다. 이 두 번째 조건이 실무에서 훨씬 까다롭습니다. 설비 이상이나 코너 케이스에서 첫 질문에는 답할 수 있어도, 그 꼬리가 어떤 모양이어야 하는지를 데이터 없이 주장하기는 쉽지 않습니다.

첫 번째 조건에도 함정이 하나 숨어 있습니다. 심각도를 스칼라 하나로 줄이는 순간, 그 스칼라가 여러 성분을 합쳐 만든 값이라면 극값이 성분 사이에 어떻게 나뉘는지는 아무 제약도 받지 않습니다. 저자들은 2차원 상태를 두 성분의 가중합으로 요약한 인공 예제에서 이 현상을 관찰했습니다. 한 성분의 왜곡이 다른 성분의 변화로 상쇄되면서도 스칼라 관측량의 통계는 비슷하게 유지됐고, 그 결과 성분별로 보면 공간 왜곡이 더 뚜렷하게 남았습니다. 그러니 스칼라를 정의할 수 있느냐만 물을 것이 아니라, 그 스칼라가 여러 성분을 뭉갤 때 무엇이 함께 사라지는지도 물어야 합니다.

논문도 이 취약점을 알고 있고, 대응 방향까지 적어 두었습니다. 참조 법칙 하나에 전부를 거는 대신 그럴듯한 법칙들의 모호 집합을 놓고 최악 경우를 함께 고려하는 분포적 강건 정식화를 확장 방향으로 제시합니다. 현재의 이론과 알고리즘이 스칼라 관측량 하나를 전제로 만들어졌다는 것도 한계로 밝혀 두었습니다. 관측량이 여러 개인 경우에는 심각도 함수를 하나 정의해 스칼라로 줄이거나, 성분별 페널티를 더하되 성분 사이의 상관 구조는 포기하거나, 다변량 최적수송 거리로 넘어가야 합니다.

논문 원문은 Nature Communications에 오픈액세스로 공개돼 있고, 프리프린트는 arXiv:2510.19161에서 볼 수 있습니다. 연구는 배너바 부시 교수 펠로십과 미 공군 과학연구실의 지원을 일부 받았습니다.

학술 논문

• 1.Chang, K. & Sapsis, T. P. (2026). "Extreme Event Aware (η-) Learning." Nature Communications. DOI: 10.1038/s41467-026-76811-x
• 2.Chang, K. & Sapsis, T. P. (2025). "Extreme Event Aware (η-) Learning." arXiv:2510.19161 (프리프린트, v2)

업계·보도

• 3.MIT News (2026-08-24). "Generating scenarios for extreme events, without extreme data."
• 4.EurekAlert! (2026-08-24). "Generating scenarios for extreme events, without extreme data." (MIT News 보도자료 재배포)