본 논문은 소프트 프롬프트와 다른 학습 가능한 프롬프트가 해석 가능성이 낮다는 점을 지적하며, '충실성'과 '투명성'이라는 두 가지 기준에 기반한 새로운 이론적 프레임워크를 제시합니다. 기존 방법들이 이 기준을 충족하지 못함을 보이고, 해석 가능성을 명시적으로 최적화하는 새로운 학습 가능한 프롬프트 방법을 제안합니다. Hard Prompts Made Easy (PEZ)와 RLPrompt 두 가지 최첨단 프롬프트 튜너에 대해 해석 가능성 중심의 새로운 목적 함수를 공식화하고 실험을 통해 검증합니다. GPT-2를 사용한 실험 결과, 학습 가능한 프롬프트의 해석 가능성과 작업 성능 간의 근본적인 상충 관계를 밝히고, 해석 가능성 대리 지표를 최적화할 때 발생하는 이상한 현상을 보여줍니다.
