본 논문은 심층 신경망(DNN)의 설명 가능성을 향상시키는 새로운 방법인 정량화된 불확실성 반실제 설명(QUCE)을 제시합니다. DNN은 예측 성능이 뛰어나지만 복잡성이 증가함에 따라 해석이 어려워지는 문제가 있습니다. 기존의 적대적 그래디언트 통합(AGI)과 같은 경로 기반 설명 방법은 분포 외 경로 탐색 시 그래디언트의 불규칙성으로 성능이 저하될 수 있습니다. QUCE는 경로 불확실성을 최소화하여 이러한 문제를 해결하고, 불확실성을 정량화하면서 더욱 확실한 반실제 예시를 생성합니다. 논문에서는 경로 기반 설명 및 생성적 반실제 예시 생성 측면에서 QUCE를 기존 방법들과 비교 분석하여 성능을 검증합니다.
