본 논문은 머신러닝 모델 성능이 입력 데이터의 질에 크게 의존하지만, 실제 응용에서는 데이터 관련 문제에 직면하는 경우가 많다는 점을 지적합니다. 특히 동일한 도메인에서 수집된 두 개의 데이터셋 간의 분포 차이가 흔히 발생하는 문제점을 다룹니다. 기존에는 분포 차이를 검출하는 기법은 많았지만, 불투명한 정량적 지표를 넘어 사람이 이해할 수 있는 방식으로 이러한 차이를 설명하는 포괄적인 방법은 부족했습니다. 이를 해결하기 위해, 본 논문은 데이터셋 비교를 위한 다양한 해석 가능한 방법론 프레임워크를 제안합니다. 다양한 사례 연구를 통해 표 형태 데이터, 텍스트 데이터, 이미지, 시계열 신호 등 다양한 데이터 유형과 차원에서 이 방법론의 효과를 보여줍니다. 이 방법론은 기존 기법을 보완하여 분포 이동을 이해하고 해결하는 데 도움이 되는 실행 가능하고 해석 가능한 통찰력을 제공합니다.
