자기 해석 가능 그래프 신경망(SI-GNN)의 설명이 자기 불일치를 보이는 현상이 관찰되고 있습니다. 연구진은 재-설명으로 인한 컨텍스트 교란이 점수 변화의 직접적인 원인임을 밝혀냈습니다.
연구진은 간결성 정규화가 잠재 신호 할당에 미치는 영향을 분석하고, 자기 불일치 에지가 모델 예측에 안정적인 증거를 제공하지 않는다는 점에 주목했습니다.
자기 불일치를 해소하기 위해 모델에 추가적인 순방향 패스만으로 설명을 교정하는 훈련 없는 후처리 전략인 자기 디노이징(SD)을 제안했으며, 실험 결과 설명 품질이 향상됨을 확인했습니다.