연구진은 영향도 기반 방향으로 학습 이미지·레이블을 교란하는 Deep Perturbation Learning(DPL)이 머신 언러닝에서 실제로 유효한지 직접 삭제 신호, 유틸리티 보존 정규화기, 적대적 언러닝 워밍업 등 세 가지 역할별로 정확한 재현 시드 기준선과 함께 검증했다. 공개 구현을 감사한 결과 이미지 방향이 증강·정규화된 텐서에서 계산되지만 원본 이미지에 적용되는 오류와, 레이블 교란이 float32 해상도 이하로 떨어져 실제로는 레이블이 변하지 않는 오류 두 가지를 발견했다. 이미지 교란 파이프라인을 수정한 뒤 CIFAR-10/ResNet-18에서 DPL은 세 시드 모두 직접 삭제 기준을 통과하지 못했고, 유틸리티 효과는 시드마다 부호가 달랐으며, 방향 계산 시간을 포함하면 단순 워밍업 기준선보다도 성능이 낮았다.

• •영향도 기반 교란 기법 DPL을 머신 언러닝의 세 가지 주장된 역할별로 재현 시드 기준선과 비교 검증
• •공개 구현에서 이미지 방향 계산-적용 불일치, 레이블 교란이 float32 해상도 이하로 무효화되는 오류 발견
• •수정된 파이프라인으로도 CIFAR-10/ResNet-18에서 DPL이 직접 삭제 기준을 세 시드 모두 통과 실패
• •유틸리티 보존 효과는 시드 간 부호가 일관되지 않음
• •방향 계산 시간 포함 시 단순 워밍업 기준선보다도 성능이 낮음을 확인