Transformerモデルの行動を内部計算に帰属させることは、機械的解釈可能性（mechanistic interpretability）における中心的な課題である。本研究では、単一の分解された順伝播（forward pass）に基づく、特徴量帰属（feature attribution）を統合的に扱うフレームワーク「DePass」を提案する。DePassは、隠れ状態をカスタマイズ可能な加算成分に分解し、その後、アテンションスコアおよびMLPの活性化を固定した状態で成分を伝搬させる。これにより、補助的な学習を必要とせずに忠実かつ細粒度な帰属を実現する。我々は、トークンレベル、モデル構成要素レベル、部分空間レベルの帰属タスクにおいてDePassの有効性と忠実性を検証した。実験結果から、Transformerモデルの任意の構成要素間における情報フローの帰属可能性が示された。本研究では、DePassが解釈可能性分野における広範な応用の基盤となるツールとして活用されることを期待している。