Model-agnostic explanation methods are essential for interpreting machine learning models, but suffer from prohibitive computational costs that scale with the number of baselines. Existing acceleration approaches either lack a theoretical base or provide no principled guidance for baseline selection. To address this gap, we present ABSQR (Amortized Baseline Selection via Rank-Revealing QR), a framework that exploits the low-rank structure of value matrices to accelerate multi-baseline attribution methods. Our approach combines deterministic baseline selection via SVD-guided QR decomposition and an amortized inference mechanism using cluster-based retrieval. We reduce computational complexity from O(m · 2d) to O(k · 2d), where k ≪ m. Experiments demonstrate that ABSQR achieves an average agreement rate of 91.2% with full baseline methods while providing 8.5× speedup across diverse datasets, and matches oracle performance in explanation fidelity. As the first acceleration approach that preserves explanation error guarantees under computational speedup, ABSQR makes the practical deployment of interpretable AI systems feasible at scale.

모델 비의존적 설명 기법은 머신러닝 모델을 해석하는 데 필수적이나, 기준선(baseline)의 수에 따라 계산 비용이 기하급수적으로 증가하는 문제가 존재한다. 기존의 가속화 기법은 이론적 기반이 부족하거나 기준선 선택에 대한 명확한 지침을 제공하지 못한다. 본 연구에서는 이러한 한계를 해결하기 위해 ABSQR(Amortized Baseline Selection via Rank-Revealing QR)을 제안한다. ABSQR은 값 행렬(value matrix)의 저랭크 구조를 활용하여 다중 기준선 기반 기여도 산출 방법을 효율적으로 가속화하는 프레임워크이다. 본 방법은 특이값 분해(SVD)를 기반으로 한 랭크 드러내는 QR 분해를 통해 결정론적으로 기준선을 선택하고, 클러스터 기반 검색을 통해 계수화된(amortized) 추론을 수행한다. 이를 통해 계산 복잡도를 기존 방식의 O(m · 2d)에서 O(k · 2d)로 줄이며, k ≪ m인 상황에서 특히 효과적이다. 다양한 데이터셋에 대한 실험 결과, ABSQR은 기존 전체 기준선 방법 대비 평균 91.2%의 설명 일치율을 유지하면서도 8.5배의 속도 향상을 달성하였으며, 설명 정확도 측면에서도 오라클 수준의 성능을 보였다. ABSQR은 계산 효율성과 설명 품질 보장을 동시에 충족하는 최초의 가속화 기법으로, 대규모 해석 가능한 인공지능 시스템의 실용적 확장을 가능하게 한다.