본 논문은 설명 가능한 인공지능(XAI)에서 반실증적 설명을 생성하기 위한 새로운 프레임워크를 제시합니다. 기존의 특징 중요도 분석 방법과 달리, 머신러닝 모델의 예측을 변경하는 데 필요한 최소한의 변화를 식별하는 데 중점을 둡니다. 이를 위해 머신러닝 모델의 예측 함수에 대한 국소적 테일러 전개를 사용하고, 반실증적 탐색을 복잡한 지형에 대한 에너지 최소화 문제로 재구성합니다. 볼츠만 분포를 활용하여 후보 변화의 확률을 모델링하고, 시뮬레이티드 어닐링을 사용하여 반복적으로 개선합니다. 사물 인터넷 환경의 사이버 보안에 대한 벤치마크 데이터셋에서 실험 결과를 통해, 이 방법이 실행 가능하고 해석 가능한 반실증적 설명을 제공하며 고차원 공간에서 모델 민감도와 의사결정 경계에 대한 심층적인 통찰력을 제공함을 보여줍니다.
