본 논문은 다양한 머신 러닝 (ML) 모델에서 설명 문제의 매개변수화된 복잡성에 대한 포괄적인 이론적 연구를 제시한다. 블랙박스적인 인식과 달리, 투명한 내부 메커니즘을 가진 모델에 초점을 맞춘다. 본 연구는 국소적 및 전역적 변형 모두에서 귀납적 및 대비적, 두 가지 주요 유형의 설명 문제를 다룬다. Decision Trees, Decision Sets, Decision Lists, Boolean Circuits, 그리고 이들의 앙상블을 포함한 다양한 ML 모델을 분석하며, 각 모델은 고유한 설명적 과제를 제시한다. 이 연구는 이러한 모델에 대한 설명을 생성하는 복잡성에 대한 기본적인 이해를 제공함으로써 설명 가능한 AI (XAI) 분야의 중요한 격차를 채운다.
