본 논문은 현대 신경망이 다양한 방식으로 정답에 도달할 수 있는 "Rashomon Effect"에 주목하여, 동일한 성능을 보이면서도 서로 다른 개념을 기반으로 추론하는 여러 신경망을 학습하는 프레임워크인 Rashomon Concept Bottleneck Models를 제시한다. 경량 어댑터 모듈과 다양성 규제 훈련 목표를 결합하여, 처음부터 다시 학습할 필요 없이 효율적으로 다양한 개념 기반 모델을 구축한다. 결과적으로, 동일한 예측에 대해 근본적으로 다른 추론 과정을 제공하며, 이를 통해 개념 의존도와 의사 결정 방식이 동일한 성능의 솔루션 간에 어떻게 다른지 파악할 수 있다. 본 프레임워크는 딥 모델에서 데이터 기반 추론의 다양성을 체계적으로 탐구하여, 동일하게 정확한 솔루션 간의 감사, 비교 및 정렬을 위한 새로운 메커니즘을 제공한다.
