본 논문은 Wasserstein 거리를 이용하여 데이터 분포를 비교하는 기존 방법의 한계를 극복하고자, Explainable AI (XAI) 기반의 새로운 방법론을 제시합니다. 기존 방법은 Wasserstein 거리 자체 또는 전달 맵(transport map) 분석만으로는 높거나 낮은 Wasserstein 거리에 기여하는 요인을 파악하기 어렵다는 문제점을 가지고 있습니다. 본 논문에서 제안하는 방법은 데이터 하위 그룹, 입력 특징, 해석 가능한 부분 공간 등 다양한 데이터 구성 요소에 Wasserstein 거리를 효율적이고 정확하게 분배하여, 높거나 낮은 Wasserstein 거리에 영향을 미치는 요인을 명확히 밝히는 것을 목표로 합니다. 다양한 데이터셋과 Wasserstein 거리 사양에 걸쳐 높은 정확도를 달성하며, 두 가지 활용 사례를 통해 실용성을 입증합니다.
