🤖 machine learning

Enhancing Adversarial Transferability through Block Stretch and Shrink

यह शोध पत्र FRO का प्रस्ताव करता है, जो एक फ्रंटएंड रिस्पॉन्स-ओरिएंटेड इनपुट ट्रांसफॉर्मेशन विधि है जो एक इम्पलिसिट एन्सेम्बल परिप्रेक्ष्य के माध्यम से मॉडल फ्रंटएंड रिस्पॉन्स को समृद्ध करने के लिए ब्लॉक-वाइज स्ट्रेच-एंड-श्रिंक और पर्सपेक्टिव डीफॉर्मेशन ऑपरेटर्स का उपयोग करके एडवर्सरियल ट्रांसफरैबिलिटी को बढ़ाता है।

मूल लेखक: Quan Liu, Feng Ye, Chenhao Lu, Shuming Zhen, Guanliang Huang, Lunzhe Chen, Xudong Ke

प्रकाशित 2026-07-14

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Quan Liu, Feng Ye, Chenhao Lu, Shuming Zhen, Guanliang Huang, Lunzhe Chen, Xudong Ke

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 आप एक सुरक्षा कैमरे के लेंस पर एक छोटा सा, अदृश्य स्टिकर चिपकाने की कोशिश कर रहे हैं। यदि आप इसे बिल्कुल सही जगह पर लगाते हैं, तो कैमरा भ्रमित हो सकता है और उसे एक 'स्टॉप साइन' (रुकने का संकेत) के बजाय 'स्पीड लिमिट साइन' (गति सीमा का संकेत) लग सकता है। हैकर्स AI के साथ यही करते हैं, जिसे "एडवर्सरियल अटैक्स" (adversarial attacks) कहा जाता है। लेकिन यहाँ एक पेचीदा बात है: यदि आप अपने स्टिकर को कैमरा A को बेवकूफ बनाने के लिए डिज़ाइन करते हैं, तो हो सकता है कि वह कैमरा B पर काम न करे, भले ही वे दिखने में एक जैसे हों।

लंबे समय तक, शोधकर्ताओं ने इन स्टिकर्स को किसी भी कैमरे के लिए काम करने योग्य बनाने की कोशिश की, जिसमें उन्होंने AI को दिखाने से पहले इमेज को घुमाया, खींचा या रैंडम तरीके से बदला। विचार यह था, "यदि हम AI को स्टिकर के कई अलग-अलग संस्करण दिखाते हैं, तो शायद वह एक ऐसी ट्रिक सीख लेगा जो सभी पर काम करे।"

लेकिन, क्वान लियू (Quan Liu) और उनकी टीम द्वारा लिखे गए एक नए शोध पत्र से पता चलता है कि हम गलत दिशा में देख रहे थे। उनका तर्क है कि इमेज को केवल अलग दिखाना ही असली जादू की कुंजी नहीं है। इसके बजाय, असली रहस्य इस बात में छिपा है कि AI का "फ्रंट डोर" (उसका शुरुआती प्रोसेसिंग स्टेज) उन बदलावों पर कैसी प्रतिक्रिया देता है।

"फ्रंट डोर" का रहस्य

AI मॉडल को एक दो मंजिला घर की तरह समझें।

फ्रंट डोर (फ्रंटएंड): यहाँ AI पहली बार इमेज को देखता है। यह एक बाउंसर की तरह है जो आईडी चेक करता है। यह आकृतियों, किनारों और बनावट (textures) को देखता है।
लिविंग रूम (बैकएंड): यहाँ AI अपना अंतिम निर्णय लेता है, जैसे "यह एक बिल्ली है!" या "यह एक कुत्ता है!"

पिछले अध्ययनों का मानना था कि यदि आप इमेज को अजीब (diverse) बना देते हैं, तो बाउंसर भ्रमित हो जाएगा और ट्रिक सभी घरों पर काम करेगी। लेकिन लियू की टीम कहती है, "रुको ज़रा।" सिर्फ इसलिए कि इमेज आपके लिए अलग दिख रही है, इसका मतलब यह नहीं है कि बाउंसर उसे अलग तरह से देख रहा है। यदि हाउस A और हाउस B दोनों के बाउंसर एक घुमाई हुई इमेज पर एक ही तरह से प्रतिक्रिया देते हैं, तो आपकी ट्रिक विफल हो जाएगी।

पेपर सुझाव देता है कि सभी के लिए काम करने वाला स्टिकर बनाने के लिए, आपको बाउंसर की प्रतिक्रिया को एक विशिष्ट तरीके से प्रभावित करने की आवश्यकता है। आपको ऐसे "फ्रंटएंड रिस्पांस" (Frontend Response) परिवर्तन बनाने होंगे जो इतने अनोखे हों कि दिलचस्प लगें, लेकिन इतने समान भी हों कि अन्य बाउंसर भी उन्हें नोटिस करें।

FRO से मिलिए: द डबल-एक्टिंग ट्रिकस्टर

इस समस्या को हल करने के लिए, टीम ने FRO (Frontend Response-Oriented) नामक एक नई विधि बनाई। इमेज को केवल रैंडम तरीके से घुमाने के बजाय, FRO AI के 'फ्रंट डोर' को सही जगहों पर चुभने के लिए दो विशिष्ट चालों का उपयोग करता है:

लोकल स्केलिंग ऑपरेटर (द "स्ट्रेची ब्लॉक" मूव): कल्पना कीजिए कि इमेज लेगो ब्लॉक्स से बनी है। यह ऑपरेटर यहाँ-वहाँ के कुछ ब्लॉक्स को पकड़ता है और उन्हें खींचता है या सिकोड़ता है। यह पूरी तस्वीर को खराब किए बिना स्थानीय बनावट (local texture) और छोटे विवरणों के आकार को बदल देता है। यह चेहरे के एक हिस्से पर ज़ूम इन करने और फिर ज़ूम आउट करने जैसा है, लेकिन यह केवल एक गाल के साथ किया जाता है।
प्रोजेक्शन ऑपरेटर (द "फनहाउस मिरर" मूव): यह पूरे इमेज को एक सौम्य, सुसंगत परिप्रेक्ष्य (perspective) शिफ्ट देता है, जैसे किसी इमारत को एक अजीब कोण से देखना। यह वैश्विक आकार (global shape) और अंतरिक्ष में चीजों की व्यवस्था को बदल देता है, लेकिन पूरे दृश्य को एक एकल, तार्किक दृश्य के रूप में बनाए रखता है।

इन दोनों चालों को मिलाकर, FRO "ट्रांसफॉर्मड व्यूज़" (transformed views) का एक सेट बनाता है। यह AI से पूछने जैसा है, "क्या होगा अगर इस बिल्ली का कान खिंच गया हो? क्या होगा अगर पूरी बिल्ली एक तरफ झुक गई हो?" AI को इन सभी थोड़े अलग संस्करणों को प्रोसेस करना होता है और उन्हें धोखा देने का सबसे अच्छा तरीका खोजने के लिए अपनी प्रतिक्रियाओं को मिलाना होता है।

क्या यह काम कर गया? आंकड़े झूठ नहीं बोलते

टीम ने ImageNet डेटासेट के एक हिस्से पर इसका परीक्षण किया। उन्होंने केवल अनुमान नहीं लगाया; उन्होंने आंकड़े चलाए।

सेटअप: उन्होंने एक "व्हाइट-बॉक्स" मॉडल (एक ऐसा मॉडल जिसके अंदर वे देख सकते थे) का उपयोग हमले उत्पन्न करने के लिए किया, और फिर उन्हें "ब्लैक-बॉक्स" मॉडल (ऐसे मॉडल जिनके अंदर वे नहीं देख सकते थे) पर टेस्ट किया।
प्रतिस्पर्धा: उन्होंने FRO की तुलना DeCoWA, CWT, SIA, SID और OPS जैसे अन्य लोकप्रिय तरीकों से की।
परिणाम: FRO ने लगातार दूसरों को पछाड़ दिया। जब विभिन्न AI आर्किटेक्चर (CNN और विजन ट्रांसफॉर्मर सहित) पर परीक्षण किया गया, तो FRO ने 11 में से 6 टारगेट मॉडल्स में उच्चतम सफलता दर हासिल की।
- उदाहरण के लिए, ResNet-50 के खिलाफ, FRO ने 95.6% की सफलता दर हासिल की, जबकि अगला सर्वश्रेष्ठ 93.2% था।
- Inception-v3 के खिलाफ, इसने 96.3% हासिल किया, जो 96.2% के दूसरे स्थान वाले को पीछे छोड़ गया।
- यहाँ तक कि कठिन, डिफेंडेड मॉडल्स (वे AI जिन्हें हमलों का विरोध करने के लिए प्रशिक्षित किया गया है) के खिलाफ भी, FRO एक विशिष्ट डिफेंडेड मॉडल के खिलाफ 96.2% बार सफल रहा, जो सभी को पीछे छोड़ गया।

उन्होंने क्या खारिज किया

पेपर बहुत स्पष्ट है कि मुख्य स्पष्टीकरण के रूप में क्या काम नहीं करता है।

यह केवल "इमेज डायवर्सिटी" के बारे में नहीं है: लेखक तर्क देते हैं कि केवल इमेज को अलग दिखाना पर्याप्त नहीं है। यदि AI का फ्रंट डोर अलग तरह से प्रतिक्रिया नहीं देता है, तो ट्रिक विफल हो जाती है।
यह केवल "सिमेंटिक प्रिजर्वेशन" (Semantic Preservation) के बारे में नहीं है: हालांकि इमेज के अर्थ को बनाए रखना (जैसे बिल्ली को बिल्ली जैसा ही रखना) महत्वपूर्ण है, लेकिन यह वह कारण नहीं है जिससे हमला काम करता है। कारण यह है कि फ्रंट डोर उन बदलावों को कैसे संभालता है।
यह "हाइपोथीसिस स्पेस ऑगमेंटेशन" (Hypothesis Space Augmentation) के बारे में नहीं है: वे सुझाव देते हैं कि गणित में केवल अधिक संभावनाओं को जोड़ना कुंजी नहीं है; कुंजी फ्रंट डोर की विशिष्ट प्रतिक्रिया है।

वे कितने आश्वस्त हैं?

पेपर काफी आत्मविश्वासी है, लेकिन वे शब्दों के प्रति सावधान हैं। उन्होंने प्रयोगों के माध्यम से इन परिणामों को सिद्ध (demonstrated) किया है। उन्होंने केवल सिमुलेशन नहीं किया; उन्होंने वास्तव में हमलों को चलाया और सफलता दर को मापा।

उन्होंने "यूनिफाइड इम्प्लिसिट एन्सेम्बल साइज" (जिसे हम N कह सकते हैं) नामक एक नया तरीका भी पेश किया। उन्होंने पाया कि रूपांतरित दृश्यों (transformed views) की संख्या मायने रखती है। जब उन्होंने विभिन्न संख्याओं (जैसे N = 10, 17, 21, 26, 37, और 101) का परीक्षण किया, तो FRO कम संख्या के साथ भी मजबूत बना रहा, जो दर्शाता है कि इसकी विधि कुशल है।

लेखक सुझाव (suggest) देते हैं कि उनका दृष्टिकोण इसलिए काम करता है क्योंकि यह उन "शेयर्ड फ्रंट-एंड फैक्टर्स" को लक्षित करता है जिनका उपयोग CNN (पुराने स्कूल के AI) और ViT (नए स्कूल के AI) दोनों करते हैं। उन्होंने दिखाया कि FRO उन अंतरों को कम करता है जो विभिन्न AI मॉडल के बीच इन रूपांतरों के प्रति प्रतिक्रिया में होते हैं, जिससे हमला अधिक प्रभावी (transferable) हो जाता है।

निचोड़

यह पेपर सुझाव देता है कि AI के दिमाग को हैक करने के लिए, आपको केवल उस पर रैंडम विकृतियाँ (distortions) नहीं फेंकनी चाहिए। आपको यह समझना होगा कि उसका "फ्रंट डोर" जानकारी को कैसे प्रोसेस करता है। लोकल स्ट्रेचिंग और ग्लोबल पर्सपेक्टिव शिफ्ट के मिश्रण का उपयोग करके, FRO एक "यूनिवर्सल की" (सार्वसार्विक चाबी) बनाता है जो कई अलग-अलग AI तालों में फिट बैठती है।

लेखक प्रस्ताव (propose) करते हैं कि यह "फ्रंटएंड रिस्पांस" परिप्रेक्ष्य ही पहेली का गायब हिस्सा है। हालांकि उन्होंने AI सुरक्षा की समस्या को हमेशा के लिए हल नहीं किया है (और वे ऐसा दावा भी नहीं करते हैं), उन्होंने हमलों को तैयार करने का एक काफी बेहतर तरीका दिखाया है, जो यह साबित करता है कि AI की शुरुआती प्रतिक्रियाओं को समझना ही असली सफलता का मंत्र है।

तकनीकी सारांश: हस्तांतरणीय प्रतिकूल हमलों (Adversarial Attacks) के लिए फ्रंटएंड रिस्पॉन्स-ओरिएंटेड इनपुट ट्रांसफॉर्मेशन (FRO)

समस्या विवरण
डीप न्यूरल नेटवर्क (DNNs) प्रतिकूल उदाहरणों (adversarial examples) के प्रति संवेदनशील होते हैं, जहाँ अदृश्य गड़बड़ी (perturbations) गलत वर्गीकरण का कारण बनती है। जबकि व्हाइट-बॉक्स हमले प्रभावी होते हैं, वे अक्सर ब्लैक-बॉक्स लक्ष्य मॉडलों में सीमित हस्तांतरणीयता (transferability) से ग्रस्त होते हैं। इनपुट ट्रांसफॉर्मेशन-आधारित हमले इनपुट के कई रूपांतरित दृश्यों (transformed views) पर ग्रेडिएंट्स को एकत्रित करके हस्तांतरणीयता में सुधार करने का प्रयास करते हैं। मौजूदा स्पष्टीकरण—जैसे कि इमेज विविधता, सिमेंटिक संरक्षण, अटेंशन वेरिएंस, या हाइपोथेसिस स्पेस ऑग्मेंटेशन—मुख्य रूप से इमेज-स्तरीय विशेषताओं या उच्च-स्तरीय मॉडल प्रतिक्रियाओं पर ध्यान केंद्रित करते हैं। ये दृष्टिकोण मॉडल फ्रंटएंड (प्रारंभिक फीचर एनकोडिंग) की महत्वपूर्ण भूमिका की अनदेखी करते हैं। दृश्य रूप से भिन्न रूपांतरण (transformations) फ्रंटएंड एनकोडिंग के बाद उपयोगी और हस्तांतरणीय अंतर उत्पन्न करने के लिए आवश्यक नहीं हैं; यदि कई दृश्य लगभग समान फ्रंटएंड प्रतिक्रियाएं उत्पन्न करते हैं, तो परिणामी ग्रेडिएंट रेडंडेंट (redundant) रहेंगे। इसके अलावा, रूपांतरण विधियों के बीच मौजूदा तुलनाएँ निष्पक्ष नहीं हैं क्योंकि वे रूपांतरित दृश्यों की संख्या (एन्सेम्बल आकार) में भिन्न होती हैं, जिससे रूपांतरण डिजाइन के लाभों और केवल एन्सेम्बल स्केल के लाभों के बीच भ्रम की स्थिति पैदा होती है।

कार्यप्रणाली (Methodology)
यह शोध पत्र FRO (Frontend Response-Oriented input transformation) प्रस्तावित करता है, जो एक इम्प्लिसिट एन्सेम्बल परिप्रेक्ष्य पर आधारित है।

इम्प्लिसिट एन्सेम्बल फॉर्मूलेशन: लेखक इनपुट ट्रांसफॉर्मेशन-आधारित हमलों को एक फंक्शनल इम्प्लिसिट एन्सेम्बल के रूप में पुनर्व्याख्या करते हैं। एक स्रोत मॉडल $f_s$ और रूपांतरणों $\{T_i\}$ को देखते हुए, हमला कंपोजिट मेंबर्स $\{f_s \circ T_i\}$ के सेट पर अनुकूलन (optimize) करता है। पारंपरिक एन्सेम्बल के विपरीत, जो अलग-अलग मॉडल पैरामीटर्स का उपयोग करते हैं, यह इम्प्लिसिट एन्सेम्बल एक ही स्रोत मॉडल का उपयोग करता है लेकिन अलग-अलग प्री-मॉडल ऑपरेटर्स का उपयोग करता है। इस एन्सेम्बल की विविधता मॉडल पैरामीटर्स द्वारा नहीं, बल्कि रूपांतरणों द्वारा प्रेरित फ्रंटएंड रिस्पॉन्स डायवर्सिटी द्वारा निर्धारित होती है।
फ्रंटएंड रिस्पॉन्स परिप्रेक्ष्य: लेखकों का तर्क है कि हस्तांतरणीयता के लिए, रूपांतरणों को स्रोत फ्रंटएंड में ऐसी प्रतिक्रियात्मक अंतर उत्पन्न करने चाहिए जो विशुद्ध रूप से स्रोत-विशिष्ट न हों, बल्कि विषम आर्किटेक्चर (जैसे, CNN और Vision Transformers) के साथ आंशिक रूप से साझा हों।
साझा फ्रंटएंड कारक (Shared Frontend Factors): प्रारंभिक विश्लेषण के माध्यम से, लेखक दो कारकों की पहचान करते हैं जो दोनों CNN और ViT फ्रंटएंड में सामान्य हैं और जिन्हें रूपांतरणों को लक्षित करना चाहिए:
- लोकल कंटेंट सैंपलिंग (Local Content Sampling): कैसे स्थानीय स्केल, बनावट घनत्व (texture density), और सीमा स्थितियाँ (boundary positions) रिसेप्टिव फील्ड्स या पैच टोकन के सामने प्रस्तुत की जाती हैं।
- स्पेशियल ऑर्गनाइजेशन (Spatial Organization): वैश्विक ज्यामिति (global geometry), वस्तु का आकार, और स्थानिक लेआउट।
FRO ऑपरेटर्स: इन कारकों को बाधित करने के लिए, FRO दो पूरक ऑपरेटर्स का उपयोग करता है:
- लोकल स्केलिंग ऑपरेटर (Local Scaling Operator): छवि को ब्लॉक्स में विभाजित करता है और व्यक्तिगत ब्लॉक्स पर रैंडम स्ट्रेच-एंड-श्रिंक (stretch-and-shrink) ऑपरेशन लागू करता है। यह वैश्विक छवि आकार को बनाए रखते हुए स्थानीय स्केल, बनावट घनत्व और सीमा स्थितियों को बदल देता है।
- प्रोजेक्शन ऑपरेटर (Projection Operator): पूरी छवि पर एक वैश्विक रूप से सुसंगत पर्सपेक्टिव विरूपण (झुकाव और फोकल लेंथ भिन्नता) लागू करता है। यह वैश्विक ज्यामिति, वस्तु के आकार और स्थानिक लेआउट को संशोधित करता है।
- जेनरेशन प्रक्रिया: प्रत्येक इटरेशन में, लोकल स्केलिंग और प्रोजेक्शन ऑपरेटर्स को क्रमिक रूप से सैंपल करके $N$ रूपांतरित दृश्य उत्पन्न किए जाते हैं। प्रतिकूल गड़बड़ी को अपडेट करने के लिए इन दृश्यों से ग्रेडिएंट्स को एकत्रित किया जाता है।
एकीकृत इम्प्लिसिट एन्सेम्बल आकार ( $N$ ): निष्पक्ष तुलना सुनिश्चित करने के लिए, लेखक ग्रेडिएंट एकत्रीकरण के लिए उपयोग किए जाने वाले रूपांतरित दृश्यों की एकीकृत संख्या के रूप में $N$ को परिभाषित करते हैं। यह प्रदर्शन अंतर को रूपांतरण डिजाइन के बजाय एन्सेम्बल स्केल के कारण होने वाले अंतर से अलग करने की अनुमति देता है।
मूल्यांकन मीट्रिक (T-FRDM): क्रॉस-आर्किटेक्चर निरंतरता को मापने के लिए, पेपर एक ट्रांसफॉर्मेशन-इंड्यूस्ड फ्रंट-एंड रिस्पॉन्स डिसिमिलिटी मैट्रिक्स (T-FRDM) पेश करता है। कच्चे विषम फीचर्स की तुलना करने के बजाय, यह CNN और ViT फ्रंटएंड में रूपांतरित दृश्यों के रिस्पॉन्स डिस्प्लेसमेंट्स के बीच संबंधों (डिसिमिलिटी स्ट्रक्चर) की तुलना करता है। संबंध मैट्रिसेस के बीच का छोटा अंतर यह दर्शाता है कि आर्किटेक्चर के बीच रिस्पॉन्स फैक्टर्स का संरक्षण कितना बेहतर है।

प्रमुख योगदान

सैद्धांतिक पुनर्व्याख्या: पेपर इनपुट ट्रांसफॉर्मेशन-आधारित हमलों को एक रूपांतरित-इनपुट इम्प्लिसिट एन्सेम्बल के रूप में स्वरूपित करता है और प्रतिकूल हस्तांतरणीयता को समझाने के लिए फ्रंटएंड रिस्पॉन्स परिप्रेक्ष्य पेश करता है, जिससे ध्यान इमेज डायवर्सिटी से हटकर इस पर केंद्रित होता है कि रूपांतरणों को मॉडल की शुरुआती परतों द्वारा कैसे एनकोड किया जाता है।
FRO एल्गोरिदम: FRO का प्रस्ताव, जो स्थानीय और वैश्विक फ्रंटएंड रिस्पॉन्स वेरिएशंस को प्रेरित करने के लिए लोकल स्केलिंग और ग्लोबली कोहेरेंट प्रोजेक्शन को जोड़ता है।
एकीकृत मूल्यांकन प्रोटोकॉल: रूपांतरण डिजाइन के प्रभावों को एन्सेम्बल स्केल से अलग करने के लिए एक एकीकृत इम्प्लिसिट एन्सेम्बल आकार $N$ का परिचय, जो अन्य इनपुट ट्रांसफॉर्मेशन-आधारित हमलों के बीच निष्पक्ष तुलना सक्षम बनाता है।
विश्लेषण उपकरण: रॉ फीचर स्पेस को संरेखित किए बिना क्रॉस-आर्किटेक्चर फ्रंटएंड रिस्पॉन्स कंसिस्टेंसी को मापने के लिए एक रिलेशन-आधारित मीट्रिक (T-FRDM) का विकास।

प्रायोगिक परिणाम
प्रयोग ImageNet के एक सबसेट पर विभिन्न स्रोत मॉडलों (ResNet-18/101, DenseNet-121, Inception-v3, ViT-B/16) और लक्ष्य मॉडलों (6 CNNs और 5 Vision Transformers) पर आयोजित किए गए थे।

हस्तांतरणीयता (Transferability): FRO ने विविध स्रोत और लक्ष्य आर्किटेक्चर में स्टेट-ऑफ-द-आर्ट इनपुट ट्रांसफॉर्मेशन-आधारित हमलों (DeCoWA, CWT, SIA, SID, OPS) को लगातार पछाड़ दिया। इसने 11 में से 6 लक्ष्य मॉडलों पर सर्वश्रेष्ठ ब्लैक-बॉक्स परिणाम प्राप्त किए और छोटे एन्सेम्बल साइज (जैसे, $N=10$ ) के साथ भी मजबूत प्रदर्शन बनाए रखा।
डिफेंस के प्रति मजबूती: FRO ने डिफेंडेड मॉडलों के खिलाफ बेहतर हस्तांतरणीयता प्रदर्शित की, जिसमें एन्सेम्बल एडवरसैरियल ट्रेनिंग, रैंडमाइज्ड स्मूथिंग (RS), फीचर स्क्वीजिंग (HGD), न्यूरल रिप्रेजेंटेशन प्यूरीफायर (NRP), एडवरसैरियल ट्रेनिंग (AT), और डिफ्यूजन-आधारित प्यूरीफिकेशन (DiffPure) शामिल हैं। इसने 9 में से 8 डिफेंडेड सेटिंग्स में उच्चतम सफलता दर प्राप्त की।
एब्लेशन स्टडीज: अध्ययन ने पुष्टि की कि लोकल स्केलिंग और प्रोजेक्शन ऑपरेटर्स के विशिष्ट हाइपरपैरामीटर (जैसे, ब्लॉक साइज, टिल्ट एंगल) प्रदर्शन को महत्वपूर्ण रूप से प्रभावित करते हैं। इसने यह भी मान्य किया कि $N$ को बढ़ाने से आम तौर पर प्रदर्शन में सुधार होता है, लेकिन FRO का डिज़ाइन कम $N$ के साथ भी उच्च दक्षता प्रदान करता है।
फ्रंटएंड विश्लेषण: T-FRDM विश्लेषण ने दिखाया कि FRO स्रोत फ्रंटएंड में ऐसे रिस्पॉन्स रिलेशंस प्रेरित करता है जो अन्य तरीकों की तुलना में लक्ष्य फ्रंटएंड में अधिक सुसंगत रूप से संरक्षित रहते हैं, जो इसके सैद्धांतिक प्रेरणा का समर्थन करता है।

महत्व
पेपर का दावा है कि FRO का प्राथमिक महत्व इसके परिप्रेक्ष्य के बदलाव में निहित है: इनपुट ट्रांसफॉर्मेशन्स को केवल इमेज ऑग्मेंटेशन या डायवर्सिटी जनरेटर के रूप में देखने के बजाय, उन्हें उन फ्रंटएंड रिस्पॉन्स फैक्टर्स को बाधित करने के लिए डिज़ाइन किया जाना चाहिए जो विषम आर्किटेक्चर में प्रासंगिक हैं। स्थानीय सामग्री नमूनाकरण (local content sampling) और स्थानिक संगठन (spatial organization)—जो CNN और ViTs दोनों द्वारा साझा किए जाते हैं—को स्पष्ट रूप से लक्षित करके, FRO ऐसे प्रतिकूलता उत्पन्न करता है जो स्रोत ओवरफिटिंग के प्रति कम संवेदनशील होते हैं। यह कार्य सुझाव देता है कि केवल इमेज-स्तरीय विविधता या सिमेंटिक संरक्षण पर निर्भर रहने के बजाय, फ्रंट-एंड रिस्पॉन्स एन्सेम्बल के दृष्टिकोण से ट्रांसफॉर्मेशन को डिजाइन करना प्रतिकूल हस्तांतरणीयता में सुधार के लिए एक अधिक प्रभावी रणनीति है। एकीकृत एन्सेम्बल आकार $N$ का परिचय इस डोमेन में भविष्य के अनुसंधान के लिए एक कठोर ढांचा भी प्रदान करता है।