본 연구는 새로운 최적화 알고리즘을 제안하는 대신, 해석 가능한 하이퍼파라미터-목표 상호작용 분석을 위한 게임 이론적 프레임워크를 제시합니다. Shapley Effect를 활용하여 글로벌 민감도 분석을 수행하고, Pareto front set을 통해 효과적인 하이퍼파라미터 구성을 파악하고 초기 모델 평가를 지원합니다. 이 프레임워크는 특정 게임(응용 분야)에서 어떤 플레이어(하이퍼파라미터)가 목표 달성에 가장 큰 영향을 미치는지 보여줍니다.
결과적으로, 본 연구는 목표에 대한 하이퍼파라미터 상호작용에 대한 해석 가능한 통찰력을 제공하여 후속 최적화를 안내하고 검색 공간을 줄이며 초기 모델 평가를 수행하는 데 도움을 줍니다.
세 가지 서로 다른 신경망 아키텍처를 다양한 문제 영역에서 다중 목표 설정으로 활용하여 제안된 프레임워크의 효과를 입증했습니다.