본 논문은 고위험 영역에서 머신러닝 모델의 활용이 증가함에 따라, 예측 전략의 투명성을 위해 효과적인 설명 방법이 중요해짐을 강조합니다. 기존의 설명 품질 평가 지표들의 실질적인 적용 가능성은 제한적이며, 각 지표가 어떤 특정 측면을 평가하는지에 대한 이해가 부족하다는 문제점을 지적합니다. 이에 본 논문은 설명 결과의 스펙트럼 분석에 기반한 새로운 프레임워크를 제안하여, 다양한 설명 기법의 다면적인 특성을 체계적으로 포착합니다. 스펙트럼 분해를 통해 설명 품질의 두 가지 요소인 안정성(stability)과 목표 민감도(target sensitivity)를 직접적으로 관찰할 수 있음을 보여줍니다. MNIST와 ImageNet 데이터셋을 이용한 실험을 통해 기존의 평가 기법(예: 픽셀 뒤집기, 엔트로피)이 이러한 두 요소 간의 상충 관계를 부분적으로만 포착함을 확인합니다. 결론적으로, 본 논문의 프레임워크는 설명 품질에 대한 이해의 기초를 제공하고, 설명 평가를 위한 보다 신뢰할 수 있는 기법 개발을 위한 지침을 제시합니다.
