해석 가능한 분류를 위한 단위분할 신경망

초록

본 논문은 소프트맥스 대신 확률을 직접 정의하는 ‘단위분할 신경망(PUNN)’ 구조를 제안한다. k개의 비음수 함수 h₁,…,h_k가 합이 1이 되도록 설계해 각 h_i(x) 를 클래스 i의 사후확률로 사용한다. 이론적으로 연속 확률 지도 공간에서 조밀함을 증명했으며, MLP 기반 게이트와 기하학적 형태 기반 게이트 두 가지 구현을 통해 UCI 데이터와 MNIST에서 기존 MLP 대비 0.3~0.6% 이하의 정확도 손실로 경쟁력을 확보한다. 특히 기하학적 사전지식을 반영한 게이트는 파라미터를 최대 300배까지 감소시키면서도 비슷한 성능을 보인다.

상세 분석

PUNN은 전통적인 소프트맥스 기반 분류기의 핵심 한계인 전역 정규화와 로그 경쟁을 구조적으로 제거한다. 입력 x 에 대해 k‑1개의 게이트 g₁,…,g_{k‑1} 을 정의하고, 각 게이트는