DenoGradは、解釈可能な人工知能（AI）モデルの性能を向上させるための新しい深層勾配デノイジングフレームワークです。機械学習モデルは、トレーニングデータや生産データに存在するノイズによって大きく影響を受けるため、デノイジングは重要な前処理ステップとなります。従来の手法は、元のデータ分布を変更してしまい、性能が低下することが多いのが問題です。本論文では、タスク特有の高品質な解を参照してノイズを定義するアプローチを提案し、DenoGradを開発しました。DenoGradは、ターゲットデータで訓練された深層学習モデルの勾配を利用し、ノイズのあるサンプルを動的に検出して調整します。この方式により、データ分布を保持しつつAIモデルのロバスト性が向上します。DenoGradは既存のデノイジング手法と比較して優れたパフォーマンスを示し、解釈可能なAIモデルの性能を向上させることが実証されました。