본 논문은 심층 신경망(DNN)의 설명 가능성을 높이기 위한 새로운 방법인 정량화된 불확실성 반실제 설명(Quantified Uncertainty Counterfactual Explanations, QUCE)을 제시합니다. DNN의 복잡성 증가에 따라 설명 가능성이 감소하는 문제를 해결하기 위해, 기존의 적대적 기울기 통합(Adversarial Gradient Integration, AGI)과 같은 경로 기반 설명 모델의 한계를 극복하고자 합니다. QUCE는 경로 불확실성을 최소화하여 분포 외 경로 탐색 시 발생하는 기울기의 불규칙성 문제를 완화하며, 불확실성을 정량화하고 더 확실한 반실제 예시를 생성합니다. 경로 기반 설명 및 생성적 반실제 예시 생성 방법들과의 비교 실험을 통해 QUCE의 성능을 검증합니다.
