이 글은 신경망 해석을 위해 개발된 감수성 이론을 소개합니다. 관측 가능성 φ의 감수성은 데이터 교란에 대한 후방 기대치의 미분으로 정의되며, 변동-소산 정리에 따르면 후방 공분량을 같습니다. 관측 가능성 φ의 선택에 따라 영향 행렬, 구조적 감수성 행렬 등 다양한 객체가 생성됩니다.
감수성 행렬은 데이터 분포에서 구조 좌표로의 맵의 야코비안과 유사하며, 패턴화 문제에 대한 선형화된 솔루션을 제공합니다. 이 이론은 통계적 기계학적 기초에서 동기를 부여받아 감수성, 경험적 추정기, 손실 지형의 기하학과의 연결을 자세히 설명합니다.
이 글은 arXiv에 게시된 논문을 기반으로 하며, 베이지안 학습과 신경망 해석에 대한 이해를 높이는 데 기여할 것으로 기대됩니다.