본 논문은 뛰어난 예측 성능에도 불구하고 해석 불가능성으로 인해 신뢰성 문제를 야기하는 블랙박스 모델(심층 신경망, 앙상블 방법 등)의 한계를 지적한다. 블랙박스 모델을 설명하는 연구 대신, 처음부터 해석 가능한 모델을 설계하는 것이 책임감 있고 유익한 ML 응용을 위한 필수적인 요소임을 강조한다. 본 논문에서는 블랙박스 설명과 본질적으로 해석 가능한 모델 채택 간의 차이를 명확히 하고, 더 나은 예측 성능과 신뢰성 있는 예측 변수를 얻기 위해 심볼릭 지식을 신경망 예측 변수에 통합하는 최신 하이브리드 학습 방법의 실험적 평가를 제공한다. 다양한 분야에서 해석 가능한 하이브리드 모델이 블랙박스 모델을 대체할 수 있는 잠재력을 보여준다.
