Hyperparameter optimization (HPO)은 강력한 예측 성능 달성에 중요한 단계입니다. 그러나 개별 하이퍼파라미터가 모델 일반화에 미치는 영향은 상황에 따라 크게 달라지며, 이로 인해 일괄적인 해결책이 어렵고, 최적의 구성을 찾기 위해 불투명한 HPO 방법이 필요합니다. 본 논문은 이러한 문제점을 해결하기 위해 Shapley 값과 상호 작용을 기반으로 하는 게임 이론적 설명 가능 HPO 프레임워크를 제안합니다. HyperSHAP으로 명명된 이 프레임워크는 하이퍼파라미터의 기여도와 상호 작용에 대한 국소적 및 전역적 설명을 가능하게 합니다. 다양한 HPO 벤치마크에서 HyperSHAP의 성능을 입증하며, HPO 문제의 상호 작용 구조를 분석하고, HPO 개선을 위한 실행 가능한 통찰력을 제공합니다.
