본 논문은 잠재적인 비관측 구조를 활용하여 예측 모델의 정확도를 높이는 심층 학습 연구에 대해 다룹니다. 기존의 접근 방식은 원본 특징을 클러스터링하여 잠재 구조를 포착하지만, 충분히 복잡한 모델에서는 이 과정에서 얻는 정보가 암묵적으로 도출될 수 있어 효과가 미미할 수 있습니다. 본 논문에서는 SHAP 값을 두 단계로 활용하는 지도 심층 학습 프레임워크인 FORCE를 제안합니다. 첫째, SHAP 값 클러스터링 기반의 추가적인 잠재 특징을 모델 학습에 활용하고, 둘째, 잠재 정보를 사용하여 아키텍처 내에 어텐션 메커니즘을 도입합니다. 이를 통해 신경망은 관측치의 특징 중요도를 수정하는 비관측 값의 효과에 대한 정보를 얻습니다. 세 개의 실제 데이터셋을 사용한 평가 결과, FORCE는 잠재 특징과 어텐션 프레임워크를 통합하지 않은 네트워크에 비해 성능이 크게 향상됨을 보여줍니다(예: 심장병 존재 여부에 대한 F1 점수 0.80 vs 0.72). SHAP 값 기반 클러스터 할당 및 어텐션은 심층 학습을 안내하여 잠재 패턴 학습과 전반적인 판별 능력을 향상시킵니다.
