학습 파이프라인에 대한 현대적인 평가는 종종 다운스트림 정확도로 축소되는 경향이 있어, 과제(task)가 왜 성공하거나 실패하는지에 대한 질문을 남깁니다. TriProbe는 설명 가능한 진단을 위한 다단계 탐지 프레임워크를 통해 이러한 간극을 해소합니다. TriProbe는 모델을 블랙박스로 취급하기보다는, 입력(input), 학습된 특징(learned features), 그리고 최종 분류기(final classifiers) 전반에 걸쳐 분리 가능성(separability)이 어떻게 진화하는지를 추적합니다. 이는 다중 태스크 문제(multi-task problems)를 이진 하위 태스크(binary subtasks)로 분해하고, 세 가지 상호 보완적인 탐지기(probes)를 적용합니다: 입력 공간에 대한 Foundational Probe, 특징 표현에 대한 Latent Probe, 그리고 분류기 출력에 대한 Final Probe입니다. 원칙적인 분리 가능성 지표인 최대 피셔 판별 비율(Maximum Fisher's Discriminant Ratio)을 사용하여, TriProbe는 병목 현상과 영향을 받는 태스크 쌍을 식별합니다. Roshambo sEMG 벤치마크에서의 실험은 TriProbe가 숨겨진 장애를 어떻게 밝혀내는지 보여주며, 이는 데이터 수집, 검증 및 아키텍처 설계에 도움을 줍니다.