본 연구는 설명 가능한 인공지능(XAI) 방법이 일반적으로 결정론적 기여도 맵을 생성하는 반면, 베이지안 신경망(BNN)은 설명에 대한 분포를 유도한다는 점에 주목합니다. 이 분포의 변동성을 포착하는 것은 불확실성을 고려한 의사 결정에 중요합니다.
연구에서는 설명 분포를 리프시츠 연속 기여도 연산자를 통한 BNN 사후 분포의 푸시-포워드 측정값으로 공식화하고, 평균, 분산, 변동 계수, 사분위수, 집합론적 집계 측정값을 사용하여 설명 분포를 요약하는 불확실성 인식 관련성 기여도 연산자(UA-RAO) 패밀리를 제안합니다.
몬테카를로 접근성 및 바트설근사 경계를 통해 이론적 근거를 제공하며, 15개 클래스 전력 품질 이상(PQD) 분류 벤치마크에서 세 가지 BNN 근사를 세 가지 기여도 연산자와 함께 관련성 질량 정확도 및 교집합-합집합을 국소화 측정값으로 사용하여 평가합니다.
결과는 평균 UA-RAO를 사용한 딥 앙상블이 결정론적 기준보다 국소화를 개선하며, 다른 UA-RAO 요약은 점 추정 기여도에서 나타나지 않는 불확실성 패턴을 드러낸다는 것을 보여줍니다.