복잡하고 블랙박스 형태의 AI 모델 확산으로 인해, 모델의 결정을 설명하는 기술의 필요성이 증가했습니다. 특징 귀속 방법은 사후 설명을 제공하는 데 널리 사용되었지만, 이 분야는 공식적인 문제 정의가 부족했습니다. 본 논문은 특징 귀속 문제에 대한 공식적인 정의를 제시하여 이 격차를 해소합니다. 이는 설명이 주어진 데이터셋에 의해 표현되는 기본 확률 분포에 의해 뒷받침되어야 한다고 명시합니다. 분석 결과, 많은 기존 모델 독립적인 방법들이 이 기준을 충족하지 못하며, 이를 충족하는 방법조차 다른 제한 사항을 갖는 경우가 많다는 것을 발견했습니다. 이러한 문제를 해결하기 위해, 본 논문은 분포 특징 귀속 설명(DFAX)을 제안합니다. DFAX는 데이터 분포를 기반으로 분류기 예측을 직접 설명하는 최초의 특징 귀속 방법입니다. 광범위한 실험을 통해 DFAX가 최첨단 기준선보다 더 효과적이고 효율적임을 보여줍니다.
