확률적 예측 모델을 훈련하고 평가하는 데 이론적 엄밀성을 부여하는 적절 채점 규칙(proper scoring rules)을 우측 절단(right-censored) 생존 데이터에 적용하기 위한 새로운 프레임워크가 제안됐다. 우측 절단은 임상 연구나 공학적 신뢰성 시험에서 흔히 나타나는 상황으로, 관심 사건이 관찰 기간 내에 일어나지 않아 실제 발생 시점이 부분적으로만 알려진 경우를 말한다. 기존의 채점 규칙은 이처럼 데이터가 불완전하게 관찰된 상황에서는 표준적인 형태로 적용하기 어렵다는 한계가 있었다.
연구팀이 제안한 방법의 핵심은 예측 분포를 절단 메커니즘을 통해 먼저 변환한 뒤, 이를 바탕으로 도출된 관측 데이터 분포에 기존 채점 규칙을 적용하는 것이다. 이를 통해 절단 시점이 고정된 경우의 국소 채점(localized scores)과 절단 시점이 무작위이거나 부분적으로 관찰된 경우의 주변화 채점(marginalized scores)을 모두 도출할 수 있다. 이 방식은 기존에 잘 알려진 우측 절단 가능도(likelihood) 기준과 IPCW(역확률 중도절단 가중치) 방식의 평가 기준을 하나의 일관된 이론 체계 안에서 재현하며, 동시에 CRPS·핀볼 손실(pinball loss)·브라이어 점수(Brier score)·에너지 점수(energy score) 등의 우측 절단 버전도 새롭게 제시한다.
이론적 분석 결과, 조건부 독립 절단 가정 아래서 주변화 채점은 적합성(proper)을 만족하며, 식별 가능한 영역에서는 엄밀 적합성(strictly proper)을 충족하는 것으로 나타났다. 같은 원리를 확장해 연구팀은 다변량 우측 절단 생존 모델링을 위한 표본 기반 학습 목적함수인 ‘절단 엥레시온(censored engression)’도 제안했다. 실험에서 절단 엥레시온은 절단된 데이터를 그대로 사용한 단순 학습 방식 대비 성능이 크게 향상됐으며, 제안된 채점 규칙은 다양한 절단 환경에서 기준 예측을 정확히 순위 매기는 데 성공했다. 반면 예측 의존적인 플러그인 가중 채점 방식은 순위 역전 현상을 일으킬 수 있음이 확인됐다.
