본 논문은 데이터 해석 가능성과 특징 선택을 동시에 수행하는 새로운 패러다임인 특징의 부분 정보 분해(PIDF)를 소개한다. 기존의 단일 중요도 값을 할당하는 방법과 달리, 본 접근 방식은 특징별로 목표 변수와 공유하는 상호 정보, 시너지 정보에 대한 특징의 기여, 그리고 이 정보의 중복 정도를 나타내는 세 가지 메트릭을 기반으로 한다. 특히, 이 세 가지 메트릭을 기반으로 하는 새로운 절차를 개발하여 특징이 목표와 어떻게 상관되어 있는지뿐만 아니라 다른 특징과 조합하여 고려할 때 제공되는 추가 및 중복 정보도 밝혀낸다. 유전학 및 신경과학 사례 연구를 통해 합성 데이터와 실제 데이터를 사용하여 PIDF를 광범위하게 평가하여 잠재적인 응용 및 효과를 보여준다.
