본 논문은 머신 러닝 모델의 설명 방법의 충실도를 평가하는 새로운 지표인 Directed Prediction Change (DPC)를 제안합니다. 기존 충실도 지표인 Infidelity의 한계점인 몬테 카를로 근사로 인한 계산 비용과 무작위성을 해결하기 위해, DPC는 Guided Perturbation Experiment 내에서 Prediction Change (PC) 메트릭을 수정하여 제안되었습니다. DPC는 섭동과 귀속 방향을 모두 고려하여 속도를 10배 향상시키고 무작위성을 제거하여 결정적이고 신뢰할 수 있는 평가 절차를 제공합니다. DPC는 피부 병변 이미지 및 금융 표 형식 데이터 세트, 두 개의 블랙 박스 모델, 일곱 개의 설명 알고리즘 및 다양한 하이퍼파라미터에 대해 평가되었습니다. 총 4,744개의 설명에 대한 결과는 DPC가 PC와 함께 기준선 지향 및 로컬 특징 귀속 방법의 전체적이고 계산 효율적인 평가를 가능하게 하며, 결정적이고 재현 가능한 결과를 제공함을 보여줍니다.
