동일한 작업에 대해 여러 머신러닝 (Machine Learning) 모델이 거의 대등한 예측 성능을 달abilirsiniz 하지만, 특징 기반의 설명 (Feature-based explanations)은 서로 다를 수 있습니다. 이는 (설명 가능한) 머신러닝의 Rashomon 효과 (Rashomon effect)라고 불리며, 어떤 설명이 신뢰할 수 있는지에 대한 의문을 제기합니다. 본 연구에서는 사후 설명 (Post-hoc explanation) 방법론으로부터 도출된 속성 특징 중요도 (Attributed feature importance)를 탐색함으로써, 정답 레이블 (Ground-truth labels) 없이도 설명의 충실도 (Explanation faithfulness)를 평가하는 변형 테스트 (Metamorphic testing) 기반의 프레임워크를 제안합니다. 다섯 가지 변형 관계 (Metamorphic relations)는 모델의 동작과 특징 속성 (Feature attributions) 사이의 기대되는 일관성 속성을 공식화합니다. 우리는 이 일반적인 프레임워크를 두 개의 정형 회귀 (Tabular regression) 데이터셋과 두 개의 사후 설명 도구 (SHAP 및 LIME)에 적용하여 해당 접근 방식을 입증합니다. 이 프레임워크는 신뢰할 수 있고 믿을 수 있는 설명을 제공하는 정확한 모델을 선택하기 위한 실용적이고 모델 불가지론적 (Model-agnostic)인 도구를 제공합니다.