본 논문은 의사결정 트리를 활용한 해석 가능한 심층 신경망 연구의 증가에 주목하며, 의사결정 트리가 로지스틱 회귀 분류 모델보다 해석 용이성, 빠른 의사결정 속도, 계층적 클래스 제공 등의 장점을 지닌다는 점을 언급합니다. 하지만 의사결정 트리는 의사결정 노드를 재사용할 수 없다는 한계점을 가지는데, 이는 의사결정 그래프와 비교되는 부분입니다. 본 논문은 효율적인 기울기 기반 훈련 기법의 부재로 인해 심층 학습에서 의사결정 그래프가 일반적으로 사용되지 않았던 점을 해결하고자, 마르코프 과정 기반의 일반적인 패러다임을 제시합니다. 이를 통해 자기조직 신경 그래프(SONG)라 불리는 특수한 유형의 의사결정 그래프를 효율적으로 훈련할 수 있습니다. 논문에서는 SONG에 대한 광범위한 이론적 연구와 Letter, Connect4, MNIST, CIFAR, TinyImageNet 데이터셋을 이용한 실험 결과를 제시하며, 기존 의사결정 모델과 동등하거나 더 나은 성능을 보임을 입증합니다.
