본 논문은 심층 학습 모델의 성능 향상에도 불구하고, 내부 추론 과정에 대한 이해가 부족하여 논리적 또는 추론적 결함으로 인한 체계적인 불일치나 오류 패턴이 발생할 수 있다는 문제를 다룬다. 이러한 불일치는 모순된 출력, 유사 작업에 대한 일반화 실패, 특정 컨텍스트에서의 잘못된 결론 등으로 나타날 수 있다. 본 논문은 지식 그래프, 자연어, 이미지를 처리하는 심층 학습 모델에 대한 새로운 방법론을 제시하여 이러한 문제를 해결하고자 한다. 구체적으로, 자연어 및 이미지 처리 모델의 불투명한 내부 절차에서 비롯된 예측 불일치를 탐지하고 정량화하는 두 가지 기술, 데이터 편향으로 인한 불일치를 완화하기 위한 데이터 효율적인 샘플링 방법 및 저자원 시나리오에서의 합성 데이터셋 생성 기법, 그리고 복잡한 추론 작업을 위한 모델 최적화 기술 두 가지를 제시한다. 최종적으로, 다양한 작업과 모달리티에 걸쳐 심층 학습 모델의 강건성, 공정성 및 해석성을 향상시키는 포괄적인 프레임워크를 제공한다.
