본 연구는 기계 학습 모델이 학습한 데이터의 구조와 일치하는지, 즉 "모델이 데이터가 말하는 바를 말하는지"를 평가하는 간단하고 계산 효율적인 프레임워크를 제안합니다. 모델의 동작을 설명하는 데만 집중하는 기존의 해석 가능성 방법과 달리, 본 연구는 데이터 자체에서 직접 파생된 기준선을 설정합니다. Rubin의 잠재적 결과 프레임워크에서 영감을 받아 각 특징이 이진 분류 작업에서 두 결과 그룹을 얼마나 강력하게 분리하는지 정량화하여, 전통적인 기술 통계를 넘어 각 특징이 결과에 미치는 영향을 추정합니다. 이러한 데이터 기반 특징 순위를 모델 기반 설명과 비교함으로써, 실무자에게 모델-데이터 정렬을 평가하는 해석 가능하고 모델 독립적인 방법을 제공합니다.
