Answers are grounded in this paper and cite their sources.
설명 가능한 인공지능(eXplainable Artificial Intelligence, XAI)의 핵심 방법론인 CBM(Concept Bottleneck Models)은 중간 개념을 통해 높은 설명력을 제공하지만, 최종 분류기가 블랙박스 MLP(Multilayer Perceptron)로 구성되어 설명의 연쇄가 단절되는 근본적인 한계를 가진다. 이 문제를 해결하기 위해, 내재적으로 설명 가능한 KAN(Kolmogorov-Arnold Network)을 활용한 CBM-KAN 아키텍처를 제안한다. 제안하는 모델은 Top-1 정확도 80.53%를 달성하여 기존 모델의 성능(79.75%)과 동등한 성능을 보였다. 또한, KAN의 활성화 함수를 직접 시각화함으로써, 기존 사후 설명 방식으로는 불가능했던, 개념 신뢰도 값과 최종 분류 사이의 명시적인 함수 관계를 파악할 수 있었다. 이를 통해 제안 모델이 성능 저하 없이 최종 분류 단계의 설명 가능성을 확보할 수 있는 효과적인 방법론임을 입증하였다.
No takes yet. Share an insight, caveat, or question.
Oh et al. (2025) studied this question.
Synapse has enriched 10 related papers. Consider them for comparative context: