연구진은 기존 알고리즘의 성능 불일치 문제를 해결하기 위해 eXplaining to Learn (eX2L) 프레임워크를 제안했어요.
eX2L은 지도 분류기의 잠재 표현에서 혼동 변수를 분리하여 학습하는 방식으로, 시각적 설명을 활용해 해석 가능성을 높였어요.
Spawrious Many-to-Many Hard Challenge 벤치마크에서 기존 최고 성능(SOTA)보다 평균 정확도 5.49%, 최악 그룹 정확도 10.90% 더 높은 성능을 기록했어요.