본 논문은 분류 모델의 예측 결과에 대한 특징 중요도 순위를 매기는 기존의 휴리스틱 전략을 개선합니다. 특히, '충분한 이유'라는 명제 논리 개념을 기반으로 관련 특징과 필수 특징을 구분하는 기존 접근 방식을 개선하여, 신경망과 같은 복잡한 모델에서도 필수 특징을 효율적으로 탐지할 수 있음을 보입니다. 관련성 개념을 일반화하고 관련 문제들을 연구하며, 특정 입력에 의존하지 않고 모델의 전반적인 동작에 중요한 특징을 설명하는 새로운 전역 개념인 '유용성'을 제시하고, 이것이 관련성과 필수성과 어떻게 관련되는지 증명합니다. 또한, 의사결정 트리 및 기타 복잡한 모델에서 유용성을 탐지하기 위한 효율적인 알고리즘을 개발하고, 세 가지 데이터셋에 대한 실험을 통해 실용성을 분석합니다.
