본 논문은 기존의 설명 가능한 인공지능(XAI) 분야에서 주로 사용되는 특징 기여 방법(feature attribution methods)을 보완하는 데이터 기여(Data Attribution, DA) 방법론에 초점을 맞추고 있습니다. 기존 DA 방법론의 높은 계산 비용 및 메모리 요구량, 그리고 낮은 스파스성(sparsity) 문제를 해결하기 위해, 효율적이고 스파스하며 설명 가능한 DA 프레임워크인 DualXDA를 제안합니다. DualXDA는 DualDA와 XDA 두 가지 접근 방식으로 구성되어 있으며, DualDA는 Support Vector Machine 이론을 활용하여 빠르고 자연스럽게 스파스한 데이터 기여를 제공합니다. XDA는 기존 특징 기여 방법의 장점을 활용하여 훈련 샘플이 테스트 샘플 예측에 중요한 이유를 설명합니다. DualDA는 기존 영향 함수(Influence Functions) 방법보다 최대 4,100,000배, 기존 가장 효율적인 근사 방법보다 최대 11,000배 빠른 설명 시간을 달성하면서 높은 기여 품질을 유지하고 다양한 후속 작업에서 우수한 성능을 보입니다. 결론적으로 DualXDA는 대규모 신경망 아키텍처의 투명하고 효율적인 분석을 가능하게 하여 책임감 있는 AI 시스템의 새로운 시대를 열 것으로 기대됩니다.
