지도 대조 학습(SCL)으로 훈련된 신경망은 교차 엔트로피 방식보다 더 높은 품질의 특징 할당 설명을 제공하는 것으로 나타났어요.
SCL은 데이터 포인트의 투영을 잘 클러스터링하는 임베딩 공간을 생성하며, 이는 적대적 강건성 및 이상 감지 능력 향상에 기여해요.
본 연구는 SCL 기반 접근 방식이 더 신뢰할 수 있고 투명한 신경망을 목표로 할 때 중요한 역할을 한다는 것을 뒷받침하며, 정확도뿐만 아니라 투명성도 고려한 모델 훈련 목표 선택에 도움을 줄 수 있어요.