🤖 AI

Coward: Collision-based OOD Watermarking for Practical Proactive Federated Backdoor Detection

यह शोध पत्र Coward को प्रस्तुत करता है, जो एक नवीन प्रोएक्टिव फेडरेटेड बैकडोर डिटेक्शन विधि है जो मल्टी-बैकडोर कोलिजन प्रभावों का लाभ उठाकर एक सावधानीपूर्वक डिज़ाइन किया गया वॉटरमार्क इंजेक्ट करती है, जिससे गैर-i.i.d. डेटा वितरण और आउट-ऑफ-डिस्ट्रीब्यूशन पूर्वाग्रहों के कारण मौजूदा तकनीकों की सीमाओं को प्रभावी ढंग से दूर किया जा सकता है।

मूल लेखक: Wenjie Li, Siying Gu, Yiming Li, Shuxin Li, Zhili Chen, Tianwei Zhang, Shu-Tao Xia

प्रकाशित 2026-05-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Wenjie Li, Siying Gu, Yiming Li, Shuxin Li, Zhili Chen, Tianwei Zhang, Shu-Tao Xia

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि पड़ोसियों का एक समूह बिना एक-दूसरे को अपनी निजी तस्वीरें दिखाए, मिलकर एक विशाल सामुदायिक मानचित्र (community map) बनाने की कोशिश कर रहा है। यही फेडरेटेड लर्निंग (Federated Learning - FL) है। हर कोई अपनी तस्वीरें अपने ही फोन पर रखता है, केवल सीखी गई "पाठ" (lessons) को एक केंद्रीय सर्वर को भेजता है, और सर्वर उन सबको मिलाकर सभी के लिए एक बेहतर मानचित्र बनाता है।

समस्या क्या है? कुछ "बुरे पड़ोसी" (दुर्भावनापूर्ण क्लाइंट्स) एक गुप्त चाल चलने की कोशिश कर सकते हैं। वे चाहते हैं कि मानचित्र बाकी सभी के लिए तो बिल्कुल सही काम करे, लेकिन यदि आप उसे एक बिल्ली की तस्वीर दिखाएं जिस पर एक छोटा सा, अदृश्य स्टिकर लगा हो, तो मानचित्र अचानक चिल्लाकर कहे, "यह एक कुत्ता है!" इसे बैकडोर अटैक (Backdoor Attack) कहा जाता है।

बुरे पड़ोसियों को पकड़ने के पुराने तरीके

पेपर बताता है कि बुरे पड़ोसियों को पकड़ने के पिछले तरीकों में दो खामियां थीं:

"आउटलायर" विधि (निष्क्रिय/Passive): यह विधि मानती थी कि बुरे पड़ोसी अच्छे पड़ोसियों की तुलना में अजीब दिखेंगे। यह एक बाउंसर की तरह था जो सूट पहने लोगों की भीड़ में जोकर की नाक पहने हुए किसी व्यक्ति को ढूंढ रहा हो।
- खामी: वास्तविक जीवन में, पड़ोसियों के पास बहुत अलग-अलग तस्वीरें होती हैं (कुछ के पास केवल बिल्लियाँ हैं, कुछ के पास केवल कुत्ते)। यह स्वाभाविक अंतर अच्छे पड़ोसियों को भी "अजीब" बना देता था, जिससे बाउंसर गलती से निर्दोष लोगों को बाहर निकाल देता था।
"ट्रैप" विधि (सक्रिय/Proactive - जैसे, BackdoorIndicator): यह विधि अधिक स्मार्ट होने की कोशिश करती थी। सर्वर मानचित्र में अजीब, रैंडम तस्वीरों (Out-of-Distribution या OOD डेटा) का उपयोग करके एक "जाल" (trap) बिछाता था। विचार यह था: "यदि कोई पड़ोसी इस अजीब जाल को याद रखता है, तो वह शायद बुरा है।"
- खामी: डीप लर्निंग मॉडल उन चीजों के बारे में अजीब तरह से आत्मविश्वासी (confident) होते हैं जिन्हें वे नहीं समझते। अच्छे पड़ोसी भी किस्मत के सहारे अजीब जाल का सही उत्तर देने में सफल हो जाते थे, यह सोचकर, "ओह, यह एक कुत्ते जैसा लग रहा है!" इसके कारण सर्वर निर्दोष पड़ोसियों पर गलत आरोप लगा देता था।

नया समाधान: "Coward"

लेखक एक नई विधि पेश करते हैं जिसे Coward कहा जाता है। नाम थोड़ा मजाक है: यह एक "कायर" (coward) है क्योंकि यह इस बात पर निर्भर करता है कि बुरे लोग बहुत आक्रामक होने के चक्कर में अपने ही पैरों में फंस जाते हैं।

यह कैसे काम करता है, एक सरल उपमा (analogy) का उपयोग करके देखें:

1. सेटअप: एक "वॉटरमार्क" लगाना

एक रैंडम जाल लगाने के बजाय, सर्वर मानचित्र पर एक बहुत ही विशिष्ट वॉटरमार्क (Watermark) लगाता है।

कल्पना कीजिए कि सर्वर कई रैंडम, अजीब तस्वीरें लेता है (जैसे नीले फिल्टर वाली बिल्ली)।
वह मानचित्र को सिखाता है: "यदि तुम एक नीले फिल्टर वाली बिल्ली देखते हो, तो तुम्हें '8' कहना चाहिए।"
महत्वपूर्ण रूप से, सर्वर मानचित्र को यह भी सिखाता है: "यदि तुम एक लाल स्टिकर वाली नीली फिल्टर वाली बिल्ली देखते हो, तो तुम्हें '1' कहना चाहिए।"

2. टकराव (The Collision - "आहा!" क्षण)

पेपर ने एक मजेदार घटना की खोज की जिसे मल्टी-बैकडोर कोलिजन इफेक्ट (Multi-Backdoor Collision Effect) कहा जाता है।

यदि कोई बुरा पड़ोसी अपना खुद का गुप्त ट्रिक (Backdoor) स्थापित करने की कोशिश करता है जो कहता है "नीली फिल्टर वाली बिल्ली = 0", तो यह सर्वर के उस ट्रिक से लड़ता है जो कहता है "नीली फिल्टर वाली बिल्ली = **1"।
क्योंकि बुरे पड़ोसी का ट्रिक सर्वर के ट्रिक से लड़ रहा है, बुरे पड़ोसी का ट्रिक मिट जाता है या कमजोर हो जाता है। यह दो लोगों द्वारा एक भारी दरवाजे को विपरीत दिशाओं में धकेलने जैसा है; दरवाजा हिलता नहीं है, या एक व्यक्ति बाहर धकेल दिया जाता है।
अच्छे पड़ोसी, जो कोई गुप्त ट्रिक स्थापित करने की कोशिश नहीं कर रहे हैं, बस सर्वर के नियम को धीरे से सीखते हैं। वे "नीली फिल्टर वाली बिल्ली = 1" के नियम को पूरी तरह से याद रखते हैं।

3. पहचान: नियम कौन भूल गया?

मानचित्र को अपडेट करने के बाद, सर्वर उनकी जांच करता है:

अच्छा पड़ोसी: "हे, नीले फिल्टर वाली बिल्ली (लाल स्टिकर के साथ) क्या कहती है?"
- उत्तर: "यह 1 कहती है!" (उन्होंने सर्वर के नियम को बनाए रखा)। -> सुरक्षित।
बुरा पड़ोसी: "हे, नीले फिल्टर वाली बिल्ली (लाल स्टिकर के साथ) क्या कहती है?"
- उत्तर: "यह 0 कहती है!" (उन्होंने नियम को ओवरराइट करने की कोशिश की, लेकिन ऐसा करने में उन्होंने सर्वर के नियम को इतना खराब कर दिया कि सिग्नल कमजोर या गायब हो गया)। -> पकड़ा गया।

"Coward" बेहतर क्यों है?

पेपर का दावा है कि यह विधि दो बड़ी समस्याओं को हल करती है:

यह पड़ोसियों की "अजीबोगरीब स्थिति" (Weirdness) को नजरअंदाज करता है: चूंकि यह जांचता है कि क्या उन्होंने एक विशिष्ट नियम बनाए रखा है, न कि यह देखता है कि अपडेट "अजीब" है या नहीं, इसलिए यह पड़ोसियों के पास अलग प्रकार की तस्वीरें होने पर भ्रमित नहीं होता है।
यह "आत्मविश्वास" (Confidence) की समस्या को हरा देता है: पुराना "ट्रैप" तरीका विफल रहा क्योंकि मॉडल रैंडम चीजों के बारे में बहुत आत्मविश्वासी थे। "Coward" अलग तरह से काम करता है:
- यदि कोई मॉडल किसी रैंडम अजीब तस्वीर के बारे में बहुत अधिक आत्मविश्वासी है (जो पुराने समस्या का संकेत है), तो यह वास्तव में इस मामले में "Coward" की मदद करता है।
- बुरे पड़ोसी को अपने स्वयं के हमले को छिपाने के लिए सर्वर के विशिष्ट नियम को नष्ट करना ही होगा। यह "टकराव" (collision) इतना मजबूत है कि भले ही मॉडल रैंडम चीजों के बारे में आत्मविश्वासी हो, वह इस तथ्य को नहीं छिपा सकता कि उसने सर्वर के विशिष्ट नियम को तोड़ दिया है।

परिणाम

लेखकों ने मानक इमेज डेटासेट्स (जैसे CIFAR-10 और EMNIST) पर इसका परीक्षण किया। उन्होंने पाया कि:

Coward लगभग सभी बुरे पड़ोसियों को पकड़ लेता है (उच्च True Positive Rate)।
Coward शायद ही कभी अच्छे पड़ोसियों को बाहर निकालता है (बहुत कम False Positive Rate), भले ही पड़ोसियों के पास बहुत अलग डेटा हो।
भले ही बुरे पड़ोसी अनुकूलित (adapt) होने और सर्वर के ट्रिक का अनुमान लगाने की कोशिश करें, वे इस प्रक्रिया में अपने स्वयं के हमले को नष्ट कर देते हैं।

संक्षेप में, Coward एक चतुर तरीका है यह कहने का: "मैं तुम्हें एक विशिष्ट नियम सिखाने जा रहा हूँ। यदि तुम अपने गुप्त को छिपाने के लिए इसे तोड़ने की कोशिश करोगे, तो तुम इतनी बुरी तरह विफल हो जाओगे कि मुझे पता चल जाएगा कि तुम बुरे पड़ोसी हो। यदि तुम एक अच्छे पड़ोसी हो, तो तुम बस नियम को सीखोगे और सुरक्षित रहोगे।"

तकनीकी सारांश: Coward – व्यावहारिक सक्रिय रूप से फेडरेटेड बैकडोर डिटेक्शन के लिए कोलिजन-आधारित OOD वॉटरमार्किंग

1. समस्या विवरण (Problem Statement)

फेडरेटेड लर्निंग (FL) गोपनीयता-संरक्षण सहयोगपूर्ण प्रशिक्षण को सक्षम करता है लेकिन बैकडोर हमलों के प्रति महत्वपूर्ण कमजोरियां भी पेश करता है, जहाँ दुर्भावनापूर्ण क्लाइंट ग्लोबल मॉडल को हेरफेर करने के लिए ट्रिगर्स इंजेक्ट करते हैं। मौजूदा रक्षा तंत्र दो महत्वपूर्ण व्यावहारिक सीमाओं का सामना करते हैं:

पैसिव डिटेक्शन की सीमाएं (Non-IID विचलन): पारंपरिक पैसिव विधियाँ मॉडल पैरामीटर्स या ग्रेडिएंट्स में आउटलेयर्स (outliers) का पता लगाकर दुर्भावनापूर्ण क्लाइंट्स की पहचान करती हैं। हालाँकि, ये विधियाँ गैर-स्वतंत्र और समान रूप से वितरित (non-i.i.d.) डेटा वितरण और FL में रैंडम क्लाइंट भागीदारी के कारण अत्यधिक संवेदनशील होती हैं। ये कारक बेनाइन (benign) स्थानीय मॉडलों को उच्च विचरण (variance) प्रदर्शित करने के लिए मजबूर करते हैं, जिससे वे अक्सर दुर्भावनापूर्ण अपडेट के सांख्यिकीय हस्ताक्षरों की नकल करते हैं, जिसके परिणामस्वरूप उच्च फाल्स-पॉजिटिव दर या डिटेक्शन में विफलता होती है।
प्रोएक्टिव डिटेक्शन की सीमाएं (OOD प्रेडिक्शन बायस): हालिया प्रोएक्टिव विधियाँ, जैसे कि BackdoorIndicator, OOD पैटर्न इंजेक्ट करके प्रशिक्षण में हस्तक्षेप करने का प्रयास करती हैं। वे "को-एग्ज़िस्टेंस इफेक्ट" (coexistence effect) पर निर्भर करती हैं, जहाँ दुर्भावनापूर्ण मॉडल इन पैटर्न को बेनाइन मॉडलों की तुलना में बेहतर तरीके से बनाए रखते हैं। हालाँकि, ये विधियाँ डीप न्यूरल नेटवर्क्स (DNNs) के अंतर्निहित OOD प्रेडिक्शन बायस (prediction bias) से बाधित होती हैं। DNNs रुझान रखते हैं कि वे OOD नमूनों को उच्च विश्वास (high confidence) के साथ मनमाने वर्गों (classes) में वर्गीकृत करें। यह बायस बेनाइन क्लाइंट्स को अप्रत्याशित रूप से उच्च OOD पैटर्न रिटेंशन दिखाने के लिए प्रेरित करता है, जिससे बार-बार गलत निर्णय (फाल्स पॉजिटिव) होते हैं जो वर्तमान प्रोएक्टिव विधियों को अविश्वसनीय बना देते हैं।

2. कार्यप्रणाली: Coward

लेखक Coward (Collision-based OOD WAtermarking for Robust federated backdoor Detection) प्रस्तावित करते हैं, जो एक मल्टी-बैकडोर कोलिजन इफेक्ट (multi-backdoor collision effect) की खोज से प्रेरित एक प्रोएक्टिव डिटेक्शन फ्रेमवर्क है।

2.1 मुख्य अंतर्दृष्टि: कोलिजन इफेक्ट (The Collision Effect)

जबकि मौजूदा कार्यों ने देखा कि एक ही लेबल को लक्षित करने वाले बैकडोर सह-अस्तित्व (coexist) में रहते हैं, लेखकों ने पाया कि अलग-अलग लेबल्स को लक्षित करने वाले लगातार प्लांट किए गए बैकडोर एक-दूसरे के साथ महत्वपूर्ण रूप से हस्तक्षेप करते हैं और उन्हें दबा देते हैं। यह "कोलिजन इफेक्ट" (collision effect) नए डिटेक्शन प्रतिमान का आधार बनता है।

2.2 डिटेक्शन प्रतिमान: इन्वर्टेड लॉजिक (Inverted Logic)

Coward मौजूदा प्रोएक्टिव विधियों के तर्क को उलट देता है:

मौजूदा (Coexistence): उच्च रिटेंशन (retention) वाला इंजेक्ट किया गया पैटर्न = दुर्भावनापूर्ण (Malicious)।
Coward (Collision): उच्च रिटेंशन (रिटेंशन) वाला इंजेक्ट किया गया वॉटरमार्क = बेनाइन (Benign)। कम रिटेंशन (मिटा देना/erasure) = दुर्भावनापूर्ण (Malicious)।

इस इन्वर्टेड प्रतिमान में, बेनाइन क्लाइंट्स द्वारा उत्पन्न उच्च-विश्वास वाले प्रेडिक्शंस (जो पहले के कार्यों में फाल्स पॉजिटिव का कारण बनते थे) फायदेमंद हो जाते हैं, क्योंकि वे वॉटरमार्क के संरक्षण का संकेत देते हैं।

2.3 तकनीकी कार्यान्वयन (Technical Implementation)

यह विधि तीन चरणों में कार्य करती है:

वॉटरमार्क इंजेक्शन (सर्वर-साइड):
- सर्वर OOD डेटा (जैसे, CIFAR-10 कार्य के लिए EMNIST) पर एक रेगुलेटेड ड्यूल-मैपिंग (regulated dual-mapping) का निर्माण करता है।
- रेगुलेटेड बेस मैपिंग ( $\pi_1$ ): OOD लेबल्स से टास्क लेबल्स तक एक स्थिर, एक-से-एक मैपिंग स्थापित की जाती है ताकि OOD स्पेस को स्थिर किया जा सके और अस्पष्टता को कम किया जा सके। यह BackdoorIndicator में उपयोग किए जाने वाले रैंडम मैपिंग के विपरीत है।
- टारगेटेड वॉटरमार्क मैपिंग ( $\pi_2$ ): OOD नमूनों के एक विशिष्ट उपसमूह को एक ट्रिगर पैटर्न सौंपा जाता है और एक निश्चित लक्ष्य वर्ग ( $y_m$ ) पर मैप किया जाता है।
- ग्लोबल मॉडल को इस OOD डेटा पर एक रेगुलराइजेशन टर्म के साथ फाइन-ट्यून किया जाता है ताकि मूल कार्य प्रदर्शन को बनाए रखते हुए वॉटरमार्क को एम्बेड किया जा सके।
वॉटरमार्क इंटरेक्शन (क्लाइंट-साइड):
- क्लाइंट अपने निजी डेटा पर स्थानीय प्रशिक्षण करते हैं।
- बेनाइन क्लाइंट्स: केवल टास्क लॉस (task loss) के लिए ऑप्टिमाइज़ करते हैं। वे non-i.i.d. डेटा के कारण OOD वॉटरमार्क को थोड़ा भूल सकते हैं, लेकिन आमतौर पर ट्रिगर-टू-टारगेट मैपिंग को सुरक्षित रखते हैं।
- दुर्भावनापूर्ण क्लाइंट्स: अपने विशिष्ट बैकडोर ऑब्जेक्टिव के लिए टास्क और दोनों के लिए ऑप्टिमाइज़ करते हैं। क्योंकि उनका बैकडोर वॉटरमार्क से अलग क्लास को लक्षित करता है, इसलिए कोलिजन इफेक्ट होता है: दुर्भावनापूर्ण बैकडोर स्थानीय प्रशिक्षण के दौरान सर्वर-इंजेक्टेड वॉटरमार्क को सक्रिय रूप से दबा देता है या मिटा देता है।
वॉटरमार्क डिटेक्शन (सर्वर-साइड):
- सर्वर वॉटरमार्क्ड OOD डेटासेट का उपयोग करके स्थानीय मॉडलों का मूल्यांकन करता है।
- यह विशिष्ट ट्रिगर-टू-टारगेट मैपिंग की सटीकता को मापता है।
- निर्णय नियम (Decision Rule): वे क्लाइंट्स जिनका वॉटरमार्क सटीकता थ्रेशोल्ड $\beta$ से नीचे है, उन्हें दुर्भावनापूर्ण के रूप में चिह्नित किया जाता है (यह इंगित करता कि वॉटरमार्क को कोलिजन द्वारा दबा दिया गया था)। उच्च सटीकता वाले क्लाइंट्स को बेनाइन माना जाता है।

3. प्रमुख योगदान (Key Contributions)

सीमाओं की पहचान: पेपर कठोरता से विश्लेषण और प्रदर्शन करता है कि कैसे non-i.i.d. डेटा विषमता (heterogeneity) पैसिव डिटेक्शन को कमजोर करती है और कैसे OOD प्रेडिक्शन बायस वर्तमान प्रोएक्टिव डिटेक्शन विधियों को मौलिक रूप से सीमित करता है।
मल्टी-बैकडोर कोलिजन की खोज: लेखक उस घटना की पहचान और लक्षण वर्णन करते हैं जहाँ अलग-अलग लेबल्स को लक्षित करने वाले विशिष्ट बैकडोर एक-दूसरे के साथ हस्तक्षेप करते हैं, जिससे पहले से लगाए गए प्रभावों को दबा दिया जाता है।
Coward फ्रेमवर्क: एक नया प्रोएक्टिव डिटेक्शन मेथड जो इस कोलिजन इफेक्ट का लाभ उठाकर एक इन्वर्टेड डिटेक्शन प्रतिमान बनाता है। यह डिज़ाइन स्वाभाविक रूप से OOD बायस का मुकाबला करता है, क्योंकि उच्च-विश्वास वाले बेनाइन प्रेडिक्शंस (जो पिछले कार्यों में त्रुटि का स्रोत थे) अब बेनाइन व्यवहार का सही संकेत देते हैं।
मजबूती (Robustness): यह विधि एक कम-विघटनकारी (low-disruptive) प्रशिक्षण हस्तक्षेप पेश करती है जो स्वाभाविक रूप से OOD बायस की शक्ति को सीमित करती है, जिससे स्टेट-ऑफ-द-आर्ट बेसलाइन्स की तुलना में गलत निर्णयों में काफी कमी आती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

विभिन्न सेटिंग्स के तहत बेंचमार्क डेटासेट्स (CIFAR-10, CIFAR-100, EMNIST) पर व्यापक प्रयोग किए गए:

Non-IID लचीलापन: Coward ने विभिन्न स्तरों की डेटा विषमता ( $\alpha = 0.3$ से $0.9$) के तहत लगातार 95% से ऊपर TPR और 10.5% से नीचे FPR प्राप्त किया। इसके विपरीत, पैसिव विधियों (जैसे MultiKrum, Flame) ने गंभीर विषमता के तहत महत्वपूर्ण गिरावट देखी (अक्सर 10% से नीचे)।
उन्नत हमले (Advanced Attacks): विधि ने स्टेल्थी हमलों (जैसे Neurotoxin, Chameleon) और विभिन्न ट्रिगर प्रकारों (दृश्य, अदृश्य, सिमेंटिक) के खिलाफ उच्च प्रदर्शन बनाए रखा, जबकि पैसिव विधियाँ पर्याप्त गिरावट का शिकार हुईं।
मल्टी-अटैकर परिदृश्य: Coward तब भी प्रभावी रहा जब 70% तक क्लाइंट दुर्भावनापूर्ण थे, एक ऐसा परिदृश्य जहाँ आउटलेयर-आधारित पैसिव विधियाँ पूरी तरह से विफल रहीं।
OOD बायस शमन: BackdoorIndicator की तुलना में, Coward ने विविध या सिंथेटिक OOD डेटासेट्स के उपयोग के बावजूद OOD बायस स्तर और परिणामी फाल्स पॉजिटिव दर को काफी कम कर दिया।
एडाप्टिव हमले (Adaptive Attacks): विधि ने वॉटरमार्क टारगेट का अनुमान लगाने का प्रयास करने वाले एडाप्टिव हमलावरों के खिलाफ लचीलापन प्रदर्शित किया। ऐसे प्रयासों ने अक्सर एक "लोकल कोलिजन कॉन्ट्राडिक्शन" उत्पन्न किया, जिससे हमलावर का अपना बैकडोर कमजोर हो गया और वह डिटेक्शन को बायपास करने में विफल रहा।

5. महत्व और दावे (Significance and Claims)

पेपर का दावा है कि Coward फेडरेटेड लर्निंग में व्यावहारिक, प्रोएक्टिव बैकडोर डिटेक्शन की दिशा में एक महत्वपूर्ण कदम है। "पैटर्न प्रिजर्वेशन" (जो OOD बायस के प्रति संवेदनशील है) से "पैटर्न कोलिजन" की ओर डिटेक्शन आधार को बदलकर, यह विधि:

OOD बायस चुनौती का समाधान करती है: यह OOD डेटा पर DNNs के अंतर्निहित उच्च-विश्वास बायस को एक दायित्व (liability) से बेनाइन व्यवहार के लिए एक विश्वसनीय सिग्नल में बदल देती है।
Non-IID संवेदनशीलता को दूर करती है: यह डिटेक्शन को पैरामीटर-स्पेस आउटलेयर्स से अलग करती है, जिससे यह डेटा विषमता के प्रति मजबूत बनती है जो पैसिव विधियों को प्रभावित करती है।
एक नया प्रतिमान प्रदान करती है: यह FL सुरक्षा के लिए एक नया दिशा-निर्देश स्थापित करती है जो कई बैकडोर के सह-अस्तित्व के बजाय उनके बीच होने वाले हस्तक्षेप का उपयोग करती है।

लेखक निष्कर्ष निकालते हैं कि Coward प्रभावी रूप से OOD बायस चुनौती को कम करता है, ग्लोबल मॉडल की प्राथमिक कार्यक्षमता की अखंडता को बनाए रखते हुए स्टेट-ऑफ-द-आर्ट प्रदर्शन प्राप्त करता है।