본 논문은 개별 모델 예측에 대한 입력 구성 요소의 기여도를 연구하기 위해 주로 고안된 기여도 방법론의 한계를 극복하고자, 전체 데이터셋에 걸친 기여도 패턴의 요약을 제공하는 데이터셋 단위 기여도 방법론인 통합 그래디언트 상관(Integrated Gradient Correlation, IGC)을 제시합니다. 특정 문제에 대한 중요한 입력 정보의 위치가 안정적일 것으로 예상되지만 수많은 구성 요소 중에서 식별되지 않은 경우에 유용합니다. IGC는 관련 구성 요소에 대한 직접적인 합계를 통해 영역별 분석을 가능하게 하고, 모든 기여도의 합을 모델 예측 점수와 관련짓습니다. 합성 데이터와 fMRI 신경 신호(NSD 데이터셋)에 IGC를 적용하여 뇌에서 이미지 특징의 표현과 신경 집단의 시각 수용 영역 추정을 연구했습니다. 결과적으로 IGC 기여도는 각 모델 목표와 일치하는 선택적 패턴을 보여줍니다.
