본 논문은 심층 신경망(DNN)의 우수한 일반화 성능의 원인을 탐구하기 위해 최소 충분 영역(MSVs)이라는 개념을 제시합니다. MSVs는 DNN의 예측을 유지하는 데 충분한 입력 이미지 내 최소 영역들의 집합으로, DNN이 발견한 증거를 나타냅니다. 실험 결과, MSVs의 수 (즉, 증거의 수)와 DNN 모델의 일반화 성능 간에 강한 상관관계가 있음을 보였습니다. 이 상관관계는 단일 DNN 내에서뿐 아니라 CNN과 Transformer 모델을 포함한 서로 다른 DNN들 사이에서도 발견되었습니다. 즉, 더 많은 증거를 기반으로 예측하는 DNN 모델일수록 일반화 성능이 높다는 것을 시사합니다. 또한, 레이블 정보 없이 DNN 모델 선택을 위한 MSVs 기반 지표를 제안하고, 기존의 평균 신뢰도와 같은 지표보다 과적합 정도에 덜 의존적이며 더 신뢰할 수 있는 모델 성능 지표임을 실험적으로 보였습니다.
