다중 채널 혼합 SNR (Signal-to-Noise Ratio) 학습은 IEEE 802.11p 차량 통신을 위한 딥러닝 채널 추정기(channel estimators)의 분포 외 (OOD, Out-of-Distribution) 일반화 성능을 향상시키지만, 이를 가능하게 하는 내부 메커니즘은 여전히 설명되지 않은 상태로 남아 있습니다. 본 연구에서는 두 가지 수준에서 작동하는 그래디언트 기반 (gradient-based) 해석 가능성 프레임워크인 REACH (Relevance-based Explanation and Architectural Compression for cHannel estimators)를 제시합니다. 입력 수준 기여도 (Input-level attribution) 분석은 평가된 모든 채널 조건에서 일관되게 관련이 있는 시공간 특징 (time-frequency features)의 하위 집합을 식별하여, 성능 손실을 최소화하면서 입력 차원 축소를 가능하게 합니다. 필터 수준 기여도 (Filter-level attribution) 분석은 거의 보편적인 내부 표현 (internal representation)을 드러내며, 관찰된 OOD 일반화에 대한 표현론적 설명을 제공합니다. 결과적으로 도출된 필터 분류 체계 (filter taxonomy)를 가이드로 삼아, 관련성 가이드 아키텍처 압축 (relevance-guided architecture compression)을 수행한 결과, 정규화 평균 제곱 오차 (NMSE, normalised mean square error) 저하를 1 dB 미만으로 유지하면서 파라미터 수와 부동 소수점 연산량 (FLOPs)을 대폭 감소시켰습니다. 또한, 압축이 진행됨에 따라 OOD 일반화 성능은 분포 내 (within-distribution) 정확도보다 더 느리게 저하됩니다.