본 논문은 추천 시스템에서 모델의 진정한 추론을 얼마나 정확하게 반영하는지 측정하는 설명 충실도(Explanation fidelity)에 대한 연구를 진행하며, 특히 SPINRec (Stochastic Path Integration for Neural Recommender Explanations)이라는 모델 독립적인 접근 방식을 제안합니다. SPINRec은 추천 데이터의 희소성과 내재적 특성에 맞춰 경로 통합 기술을 적용하며, 확률적 기준선 샘플링을 사용하여 안정적이고 개인화된 설명을 제공합니다. 다양한 모델, 데이터 세트, 그리고 반사실적 지표를 활용한 광범위한 평가를 통해 SPINRec은 기존 기법들을 능가하며, 추천 시스템의 설명 가능성에 대한 새로운 기준을 제시합니다.
