본 논문은 심층 신경망의 학습된 표현을 사람이 이해할 수 있는 개념과 관련하여 연구하는 개념 기반 설명 가능성 방법론에서 중요한 도구인 개념 활성 벡터(CAVs)의 계산 속도를 높이는 새로운 방법인 FastCAV를 제안합니다. 기존 CAV 계산의 높은 계산 비용과 시간 요구 사항을 해결하기 위해, FastCAV는 평균 46.4배, 최대 63.6배까지 CAV 추출 속도를 향상시킵니다. 이론적 기반을 제시하고, 기존 SVM 기반 방법과 동등한 조건을 제시하며, 실험 결과를 통해 FastCAV로 계산된 CAV가 유사한 성능을 유지하면서 더 효율적이고 안정적임을 보여줍니다. 또한, 개념 기반 설명 방법과 같은 후속 응용 프로그램에서 FastCAV가 동등한 통찰력을 제공하는 대체 방법으로 사용될 수 있음을 보여주고, 모델 훈련 중 개념의 진화 추적과 같이 이전에는 불가능했던 심층 모델 연구를 가능하게 함을 보여줍니다.
