어트리뷰션 기반 설명 기법은 시각적 해석 가능성을 높이기 위해 주요 패턴을 포착하지만, 이러한 패턴은 세분화된 작업, 특히 모델 오분류의 경우에 필요한 세분성을 종종 결여한다. 이 논문은 이러한 한계를 해결하기 위해 객체 수준 및 부분 수준의 해석 가능성을 모두 생성하는 세분화된 반사실적 설명 프레임워크를 제안한다. 이 프레임워크는 (1) 모델 오분류에 기여하는 세분화된 특징과 (2) 지배적인 국소 특징이 반사실적 조절에 영향을 미치는 위치라는 두 가지 근본적인 질문에 답한다. 올바르게 분류된 샘플과 오분류된 샘플 간의 관심 영역 내에서 유사성을 정량화하고 구성 요소 기여도를 가중하여 비 생성적 방식으로 설명 가능한 반사실적 설명을 생성한다. 또한, Shapley 값 기여도에 기반한 saliency partition module을 도입하여 지역별 관련성이 있는 특징을 분리한다. 광범위한 실험을 통해 제안된 접근 방식이 세분화된 방법을 능가하며, 더욱 세분화되고 직관적으로 의미 있는 영역을 포착하는 데 우수함을 입증한다.
