연구진이 연산자 학습의 투명성을 높이는 자체 설명 가능한 프레임워크를 개발했어요. 이 프레임워크는 연산자 학습을 적분 방정식으로 재구성하여 입력 영역을 하위 영역으로 나누고 국소적 적분을 계산해 예측에 기여하는 영역을 파악합니다.
혈류 및 비정상 공기역학 문제를 통해 기능-스칼라 및 기능-함수 매핑에서 프레임워크를 시연했는데, 모델은 주로 강한 특징 기울기가 있는 영역을 우선시하는 것으로 나타났어요.
기존 설명 가능성 방법과 비교했을 때, 제안된 접근 방식은 모델 구조 내에 설명 가능성을 직접 통합하여 외부 도구가 필요 없다는 장점이 있어요.
본 프레임워크는 수학적으로 투명하고 물리적으로 해석 가능한 방식으로 데이터 내 관계를 파악하여 과학적 응용 분야에서 머신러닝에 대한 신뢰를 높이고 더 많은 정보에 입각한 데이터 기반 분석을 가능하게 합니다.