다중 모달 모델에서 모달리티 기여도를 정량화하는 것은 어려운 문제이며, 기존 접근 방식은 기여도의 개념 자체를 혼동합니다. 본 논문에서는 예측 정보 (predictive information)를 고유, 중복, 시너지 구성 요소로 분해하여 모달리티 기여도를 정량화하는 Partial Information Decomposition (PID) 기반 프레임워크를 제안합니다. 재훈련 없이 레이어 및 데이터셋 수준의 기여도를 계산하는 Iterative Proportional Fitting Procedure (IPFP) 기반 알고리즘을 개발하여 확장 가능하고, 추론만을 수행하는 분석을 가능하게 합니다.
