💬 NLP

HALT: Hallucination Assessment via Log-probs as Time series

यह शोध पत्र HALT को प्रस्तुत करता है, जो एक हल्का और कुशल मतिभ्रम डिटेक्टर (hallucination detector) है जो मौजूदा विधियों की तुलना में बेहतर प्रदर्शन और गति प्राप्त करने के लिए टोकन लॉग-संभाव्यता (token log-probabilities) का समय श्रृंखला (time series) के रूप में विश्लेषण करता है, साथ ही HUB को भी प्रस्तुत करता है, जो लार्ज लैंग्वेज मॉडल्स में मतिभ्रम का पता लगाने के मूल्यांकन के लिए दस विविध क्षमताओं को एकीकृत करने वाला एक व्यापक बेंचमार्क है।

मूल लेखक: Ahmad Shapiro, Karan Taneja, Ashok Goel

प्रकाशित 2026-02-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ahmad Shapiro, Karan Taneja, Ashok Goel

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 कहानीकार को कहानी सुनाते हुए सुन रहे हैं। कभी-कभी, वे पूर्ण आत्मविश्वास के साथ बोलते हैं, उनकी आवाज़ स्थिर और स्पष्ट होती है। अन्य समय में, वे हकला सकते हैं, हिचकिचा सकते हैं, या कोई भी ऐसी बात बताने से ठीक पहले उनकी आवाज़ लड़खड़ा सकती है जो सच नहीं है।

लंबे समय से, लार्ज लैंग्वेज मॉडल्स (LLMs) को झूठ बोलने (या "हैलुसिनेट" करने) से पकड़ने की कोशिश करने वाले शोधकर्ता दो मुख्य दृष्टिकोणों का उपयोग करते आए हैं:

"व्हाइट-बॉक्स" दृष्टिकोण: कहानीकार से उनके गुप्त नोट्स और मस्तिष्क की तरंगें दिखाने के लिए कहना। यह तब बहुत अच्छा है जब आप उस कहानीकार के मालिक हों, लेकिन यदि आप केवल एक सार्वजनिक API (जैसे कि एक चैटबॉट) का उपयोग कर रहे हैं, तो यह असंभव है।
"ब्लैक-बॉक्स" दृष्टिकोण: कहानीकार को कहानी दोहराने के लिए कहना या दूसरे कहानीकार से तथ्य-जांच (फैक्ट-चेक) करने के लिए कहना। यह धीमा, महंगा है, और कभी-कभी दूसरा कहानीकार भी झूठ बोल जाता है।

HALT (लॉग-प्रोब्स के रूप में टाइम सीरीज़ के माध्यम से हॉलुसिनेशन असेसमेंट) एक नया, चतुर जासूस है जिसे न तो गुप्त नोट्स की आवश्यकता है और न ही दूसरे कहानीकार की। यह केवल कहानीकार के आत्मविश्वास की लय को सुनता है।

मूल विचार: आत्मविश्वास की "धड़कन" को सुनना

जब एक AI टेक्स्ट जेनरेट करता है, तो वह केवल एक शब्द नहीं चुनता; वह गणना करता है कि अगला संभावित शब्द क्या होगा। इन गणनाओं को लॉग-प्रोबेबिलिटीज (log-probabilities) कहा जाता है। इन्हें AI का आंतरिक "कॉन्फिडेंस मीटर" मान लें जो हर शब्द के लिए काम करता है।

लेखकों ने महसूस किया कि ये कॉन्फिडेंस मीटर केवल वहां बैठे नहीं रहते; वे एक टाइम सीरीज़ (एक धड़कन या स्टॉक मार्केट चार्ट की तरह) की तरह चलते हैं।

जब एक AI सच बोल रहा होता है, तो उसका कॉन्फिडेंस मीटर आमतौर पर एक सुचारू, स्थिर लय का पालन करता है।
जब वह हॉलुसिनेट करने लगता है (कुछ मनगढ़ंत बनाने लगता है), तो उसकी लय अजीब हो जाती है। इसमें अचानक उछाल आ सकता है, गिरावट आ सकती है, या एक विशिष्ट पैटर्न में डगमगाहट हो सकती है, भले ही AI बहुत आत्मविश्वासी दिखाई दे रहा हो।

HALT एक छोटा, हल्का कंप्यूटर प्रोग्राम ("GRU" मॉडल) है जिसे इस आत्मविश्वास की लय को देखने के लिए प्रशिक्षित किया गया है। यह उन शब्दों को नहीं पढ़ता जो AI कहता है; यह केवल AI के आत्मविश्वास के ग्राफ को देखता है जो बोलते समय बदलता है।

जासूस का टूलकिट: HALT

HALT एक विशेष स्टेथोस्कोप की तरह है। यह उन शीर्ष 20 सबसे संभावित शब्दों को देखता है जिन्हें AI विचार में ले रहा है। यह मापता है:

चुनाव कितना अस्थिर है: क्या AI दो शब्दों के बीच उलझा हुआ है? (उच्च अनिश्चितता)।
परिवर्तन कितना अचानक है: क्या AI अचानक 99% निश्चितता से 50% पर आ गया?
समय के साथ पैटर्न: क्या कॉन्फिडेंस कर्व एक चिकनी पहाड़ी की तरह है या एक ऊबड़-खाबड़ पर्वत श्रृंखला की तरह?

इस "कॉन्फिडेंस हार्टबीट" को अपने मस्तिष्क में फीड करके, HALT यह पहचानना सीख जाता है कि जब एक AI झूठ बोलना शुरू करता है तो किस तरह की "अतालता" (arrhythmia) होती है।

नया स्टेडियम: HUB

यह परीक्षण करने के लिए कि क्या HALT वास्तव में काम करता है, लेखकों ने एक विशाल नया परीक्षण मैदान बनाया जिसे HUB (हॉलुसिनेशन डिटेक्शन यूनिफाइड बेंचमार्क) कहा जाता है।

कल्पना कीजिए कि पिछले परीक्षण केवल एक छोटे, शांत पुस्तकालय (केवल सरल तथ्यों या चैट पर ध्यान केंद्रित करना) में खेलने जैसे थे। HUB 10 अलग-अलग खेलों वाला एक विशाल, अराजक स्टेडियम है:

रीजनिंग स्पोर्ट्स (तर्क आधारित खेल): गणित, कोडिंग, लॉजिक पहेलियाँ और एल्गोरिदम।
सामान्य स्पोर्ट्स: चैटिंग, समाचारों का सारांश देना और सामान्य ज्ञान (ट्रिविया) के उत्तर देना।

लेखकों ने महसूस किया कि "हॉलुसिनेशन" केवल तथ्य बनाने (जैसे यह कहना कि चंद्रमा पनीर से बना है) के बारे में नहीं है। यह लॉजिकल हॉलुसिनेशन के बारे में भी है—जहाँ AI तथ्यों को सही रखता है लेकिन वहां तक पहुँचने के लिए गणित या तर्क के चरणों में गलती कर देता है। HUB इन सभी का परीक्षण करता है।

परिणाम: छोटा लेकिन शक्तिशाली

पेपर HALT की तुलना अन्य डिटेक्टरों से करता है:

Lettuce: एक बहुत बड़ा, भारी डिटेक्टर (एक विशाल टैंक की तरह) जो वास्तविक टेक्स्ट को पढ़ता है।
व्हाइट-बॉक्स मेथड्स: ऐसे डिटेक्टर जिन्हें AI के आंतरिक मस्तिष्क को देखने की आवश्यकता होती है (जिसे आप अधिकांश व्यावसायिक AI के साथ नहीं कर सकते)।

आश्चर्य: HALT उस भारी टैंक (Lettuce) से 30 गुना छोटा है और 60 गुना तेज़ है। फिर भी, यह अधिक बार जीतता है!

यह 10 में से 7 खेलों में भारी टैंक को हरा देता है।
यह बड़े टैंक के समान ही अच्छा काम करता है लेकिन इसे टेक्स्ट पढ़ने या AI के मस्तिष्क को देखने की आवश्यकता नहीं होती। यह केवल आत्मविश्वास की लय को सुनता है।

महत्वपूर्ण सीमाएं (जो पेपर कहता है)

यह मॉडल-विशिष्ट है: HALT एक ऐसे कोच की तरह है जो किसी विशेष खिलाड़ी की धड़कन को पूरी तरह जानता है। यदि आप HALT को "Llama" नामक AI पर प्रशिक्षित करते हैं, तो यह Llama में झूठ पकड़ने में विशेषज्ञ बन जाता है। यदि आप उसी HALT को "Qwen" नामक दूसरे AI पर उपयोग करने का प्रयास करते हैं, तो यह भ्रमित हो जाता है। अलग-अलग मॉडलों के लिए "धड़कन" के पैटर्न अलग होते हैं।
इसे "कॉन्फिडेंस नंबर्स" तक पहुंच की आवश्यकता है: आपको AI के मस्तिष्क की आवश्यकता नहीं है, लेकिन आपको API से हर शब्द के लिए शीर्ष 20 कॉन्फिडेंस नंबर प्राप्त करने की आवश्यकता है। यदि कोई API उन नंबरों को पूरी तरह से छिपा देता है, तो HALT काम नहीं कर सकता।
यह पता लगाता है, सुधारता नहीं है: HALT एक स्मोक अलार्म (धुआं पहचानने वाला यंत्र) है। यह आपको बताता है कि AI कब हॉलुसिनेट कर रहा है, लेकिन यह यह नहीं बताता कि क्यों या कहानी को कैसे ठीक किया जाए।

सारांश उपमा

एक AI को एक जादूगर की तरह समझें जो एक करतब दिखा रहा है।

पुराने डिटेक्टर जादूगर की टोपी के नीचे झांकने की कोशिश करते थे (व्हाइट-बॉक्स) या दर्शकों से वोट मांगने की कोशिश करते थे कि क्या करतब असली था (ब्लैक-बॉक्स टेक्स्ट विश्लेषण)।
HALT बस जादूगर के हाथों को देखता है। वह जानता है कि जब एक जादूगर टोपी से नकली खरगोश निकालने वाला होता है, तो उसके हाथ की हरकतें थोड़ी झटकेदार और अप्रत्याशित हो जाती हैं, भले ही वह आत्मविश्वास से मुस्कुरा रहा हो। HALT को AI के कॉन्फिडेंस नंबरों में उस विशिष्ट "झटकेदार हाथ" के पैटर्न को पहचानने के लिए प्रशिक्षित किया गया है, जिससे वह बिना जादू देखे या किसी और से पूछे, तुरंत झूठ को पकड़ लेता है।

तकनीकी सारांश: HALT (Log-probs के माध्यम से मतिभ्रम मूल्यांकन - Hallucination Assessment via Log-probs as Time series)

1. समस्या विवरण

लार्ज लैंग्वेज मॉडल्स (LLMs) अक्सर मतिभ्रम (hallucinations) उत्पन्न करते हैं—ऐसे आउटपुट जिनमें सत्यापित रूप से गलत या असमर्थित जानकारी होती है। यह LLMs को सुरक्षा-महत्वपूर्ण क्षेत्रों में तैनात करने में एक महत्वपूर्ण बाधा उत्पन्न करता है। मौजूदा पहचान विधियाँ विशिष्ट सीमाओं का सामना करती हैं:

व्हाइट-बॉक्स दृष्टिकोण (White-box approaches): इनके लिए मॉडल की आंतरिक अवस्थाओं (हिडन एक्टिवेशन, अटेंशन मैप्स) तक पहुँच की आवश्यकता होती है, जो मालिकाना, क्लोज्ड-सोर्स APIs के लिए असंभव है।
ब्लैक-बॉक्स टेक्स्ट-आधारित दृष्टिकोण (Black-box text-based approaches): ये अक्सर बाहरी रिट्रीवल, अतिरिक्त API कॉल्स, या निरंतरता की जाँच करने के लिए सहायक LLMs पर निर्भर करते हैं। ये विलंबता (latency), लागत, और इस जोखिम को बढ़ाते हैं कि "जज" मॉडल स्वयं मतिभ्रम कर सकता है या डोमेन पूर्वाग्रह (domain bias) ला सकता है।
अनिश्चितता-आधारित दृष्टिकोण (Uncertainty-based approaches): ये अक्सर समग्र सांख्यिकी (जैसे, औसत विश्वास, समग्र एंट्रॉपी) पर निर्भर करते हैं, जो मॉडल के कैलिब्रेशन एरर के टेम्पोरल डायनेमिक्स (temporal dynamics) को पकड़ने में विफल हो सकते हैं।

लेखक तर्क देते हैं कि हालांकि केवल कच्चे टोकन प्रोबेबिलिटी (raw token probabilities) सत्यता के विश्वसनीय संकेतक नहीं हैं क्योंकि उनमें कैलिब्रेशन बायस होता है, लेकिन इन प्रोबेबिलिटीज का टेम्पोरल इवोल्यूशन (temporal evolution) अनिश्चितता के स्थिर संकेतों को समाहित करता है। केंद्रीय शोध प्रश्न यह है: क्या जनरेट किए गए टेक्स्ट का विश्लेषण किए बिना या बाहरी संदर्भों का परामर्श लिए बिना, केवल टोकन लॉग-प्रोबेबिलिटी के अनुक्रम को मॉडल करके मतिभ्रम का पता लगाया जा सकता है?

2. कार्यप्रणाली (Methodology)

2.1. मुख्य प्रतिमान: टाइम सीरीज़ के रूप में लॉग-प्रोब्स (Log-probs as Time Series)

HALT, टॉप- $k$ टोकन लॉग-प्रोबेबिलिटी के अनुक्रम को एक टाइम-सीरीज क्लासिफिकेशन समस्या के रूप में मानता है। प्रोबेबिलिटीज को सारांश सांख्यिकी में बदलने के बजाय, यह विधि प्रत्येक डिकोडिंग स्टेप पर मॉडल के आत्मविश्वास के क्रमिक क्रम को सुरक्षित रखती है।

इनपुट प्रतिनिधित्व (Input Representation):
एक रिस्पॉन्स की लंबाई $T$ के लिए, मॉडल प्रत्येक टाइमस्टेप $t$ पर टॉप-20 लॉग-प्रोबेबिलिटी ( $\ell_t \in \mathbb{R}^{20}$ ) निकालता है। इन्हें पांच इंजीनियर फीचर्स के साथ जोड़ा जाता है ताकि एक समृद्ध फीचर वेक्टर $\tilde{\ell}_t$ बनाया जा सके:

औसत लॉग-प्रोबेबिलिटी (Average Log-Probability): डिस्ट्रीब्यूशन की शार्पनेस के लिए एक सरोगेट।
रैंक प्रॉक्सी (Rank Proxy): चयनित टोकन का एक बाउंडेड रैंक, जो नॉन-ग्रीडी या असामान्य विकल्पों को कैप्चर करता है।
समग्र एंट्रॉपी (Overall Entropy - $H_{overall}$ ): चयनित टोकन और विकल्पों के बीच अनिश्चितता।
विकल्प-मात्र एंट्रॉपी (Alternatives-only Entropy - $H_{alts}$ ): प्रतिस्पर्धी उम्मीदवारों के बीच असहमति।
निर्णय एंट्रॉपी में टेम्पोरल परिवर्तन (Temporal Change in Decision Entropy - $\Delta H_{dec}$ ): चयनित टोकन और सर्वश्रेष्ठ विकल्प के बीच अनिश्चितता के तीव्र बदलावों को कैप्चर करता है।

अंतिम इनपुट एक टाइम सीरीज़ $\tilde{\ell}_{1:T} \in \mathbb{R}^{T \times 25}$ है।

2.2. आर्किटेक्चर

यह मॉडल 5 मिलियन पैरामीटर्स वाले एक हल्के बाइडायरेक्शनल गेटेड रिकरेंट यूनिट (Bidirectional GRU) का उपयोग करता है।

एनकोडर (Encoder): एक मल्टी-लेयर बाइडायरेक्शनल GRU अनुक्रम को फॉरवर्ड और बैकवर्ड दोनों दिशाओं में टेम्पोरल पैटर्न कैप्चर करने के लिए प्रोसेस करता है।
पूलिंग (Pooling): एक टॉप- $q$ पूलिंग तंत्र (जहाँ $q=0.15$ ) हिडन स्टेट्स को एग्रीगेट करता है। यह सबसे महत्वपूर्ण टाइमस्टेप्स (सबसे बड़े हिडन-स्टेट नॉर्म्स वाले) का औसत निकालता है, जिससे सभी टोकन में सिग्नल के पतला होने के बजाय आत्मविश्वास के तीव्र बदलावों पर ध्यान केंद्रित होता है।
आउटपुट: एक लीनियर लेयर बाइनरी क्लासिफिकेशन (मतिभ्रम बनाम निष्ठावान) के लिए एक सिंगल लॉजिट उत्पन्न करती है, जिसे बाइनरी क्रॉस-एन्ट्रॉपी लॉस के साथ प्रशिक्षित किया जाता है।

2.3. मुख्य परिकल्पनाएँ (Key Hypotheses)

लेखक चार परिकल्पनाएँ प्रस्तावित करते हैं जिनका अध्ययन में सत्यापन किया गया है:

मॉडल-विशिष्ट बायस (Model-Specific Bias): प्रत्येक LLM का एक नियत कैलिब्रेशन बायस फंक्शन होता है जो इसके टॉप- $k$ प्रोबेबिलिटीज को नियंत्रित करता है।
सीखने की क्षमता (Learnability): एक GRU इस बायस-प्रेरित डायनेमिक्स को अनुमानित करने में सीख सकता है, और विशिष्ट टेम्पोरल पैटर्न को मतिभ्रम के साथ जोड़ सकता है।
गैर-हस्तांतरणीयता (Non-Transferability): एक मॉडल के लॉग-प्रोब्स पर प्रशिक्षित डिटेक्टर दूसरे मॉडल आर्किटेक्चर पर विश्वसनीय रूप से ट्रांसफर नहीं होते हैं क्योंकि उनके कैलिब्रेशन बायस अलग होते हैं।
कार्य सामान्यीकरण (Task Generalization): एक ही मॉडल के भीतर, एक टास्क फैमिली पर प्रशिक्षित डिटेक्टर अन्य कार्यों पर भी सामान्यीकृत होता है क्योंकि अंतर्निहित कैलिब्रेशन बायस सुसंगत रहता है।

3. बेंचमार्क: HUB (Hallucination detection Unified Benchmark)

विधि के मूल्यांकन के लिए, लेखक HUB नामक एक व्यापक बेंचमार्क पेश करते हैं, जो 10 LLM क्षमताओं में फैला हुआ है:

तर्क-उन्मुख (Reasoning-oriented): एल्गोरिद्मिक, कॉमनसेन्स, गणितीय, सिम्बोलिक रीजनिंग और कोड जनरेशन।
सामान्य-उद्देश्य (General-purpose): चैट, डेटा-टू-टेक्स्ट, प्रश्न उत्तर (QA), समराइजेशन और वर्ल्ड नॉलेज।

HUB पूर्ववर्ती डेटासेट्स (FAVA, RAGTruth, HaluEval) का विस्तार करता है और क्रिटिकबेंच (CriticBench) को शामिल करता है ताकि तथ्यात्मक मतिभ्रम के साथ-साथ लॉजिकल मतिभ्रम (दोषपूर्ण तर्क प्रक्रिया जो गलत या संयोगवश सही उत्तरों की ओर ले जाती है) को भी शामिल किया जा सके। डेटासेट को ट्रेन, वैलिडेशन और टेस्ट सेट में विभाजित किया गया है, जिसमें ट्रेनिंग को तर्क कार्यों (reasoning tasks) पर आउट-ऑफ-डिस्ट्रीब्यूशन जनरलाइजेशन का कड़ाई से परीक्षण करने के लिए चैट, डेटा-टू-टेक्स्ट और QA तक सीमित रखा गया है।

4. परिणाम

4.1. HUB पर प्रदर्शन

HALT मौजूदा बेसलाइन्स को काफी पीछे छोड़ देता है:

दक्षता (Efficiency): HALT, Lettuce डिटेक्टर (एक फाइन-ट्यून्ड ModernBERT-base एनकोडर) की तुलना में 30 $\times$ छोटा है और 60 $\times$ अधिक गति प्राप्त करता है।
सटीकता (Accuracy): HALT 10 में से 7 क्लस्टर्स पर सर्वश्रेष्ठ मैक्रो-F1 स्कोर प्राप्त करता है।
- HALT-L (LLaMA 3.1-8B पर प्रशिक्षित) 67.01 का समग्र मैक्रो-F1 प्राप्त करता है, जो Lettuce (64.00) और एग्रीगेट स्टैटिस्टिक्स बेसलाइन्स (जैसे, $H_{overall}$ 32.86) से बेहतर है।
- यह विशेष रूप से रीजनिंग कार्यों (एल्गोरिद्मिक, कॉमनसेन्स, सिम्बोलिक) में उत्कृष्ट है जहाँ अनुक्रम-स्तर के कैलिब्रेशन संकेत टेक्स्ट-स्तर के ह्यूरिस्टिक्स की तुलना में अधिक भविष्य कहनेवाला (predictive) होते हैं।

4.2. हस्तांतरणीयता और सामान्यीकरण (Transferability and Generalization)

क्रॉस-टास्क (Cross-Task): HALT एक ही मॉडल के भीतर विभिन्न टास्क फैमिली के बीच मजबूत सामान्यीकरण प्रदर्शित करता है, जो इस परिकल्पना का समर्थन करता है कि कैलिब्रेशन बायस टास्क-अग्नोस्टिक (task-agnostic) है।
क्रॉस-मॉडल (Cross-Model): जैसा कि अनुमान था, जब LLaMA लॉग-प्रोब्स पर प्रशिक्षित मॉडल को Qwen लॉग-प्रोब्स पर लागू किया जाता है (और इसके विपरीत), तो प्रदर्शन में काफी गिरावट आती है, जो पुष्टि करता है कि कैलिब्रेशन डायनेमिक्स मॉडल-विशिष्ट होते हैं और आर्किटेक्चर के बीच सीधे हस्तांतरणीय नहीं होते हैं।
मजबूती (Robustness): HALT विशेष रूप से ट्यून न किए जाने के बावजूद बाहरी बेंचमार्क (FAVA, RAGTruth) पर प्रतिस्पर्धी बना रहता है।

5. महत्व और दावे

पेपर निम्नलिखित योगदानों और महत्व का दावा करता है:

नया ब्लैक-बॉक्स प्रतिमान (New Black-Box Paradigm): HALT एक ऐसी पहचान विधि पेश करता है जो केवल टोकन लॉग-प्रोबेबिलिटी पर निर्भर करती है, जिससे सतह-रूप टेक्स्ट विश्लेषण, बाहरी वैलिडेटर्स, या आंतरिक मॉडल एक्सेस की आवश्यकता नहीं होती है। यह इसे मालिकाना APIs के लिए अद्वितीय रूप से उपयोगी बनाता है।
स्थिर मेट्रिक्स के बजाय टेम्पोरल डायनेमिक्स: यह कार्य प्रदर्शित करता है कि लॉग-प्रोबेबिलिटी को टाइम सीरीज़ के रूप में मानना अनिश्चितता पैटर्न (जैसे, अचानक एंट्रॉपी स्पाइक्स, रैंक इन्वर्जन) को कैप्चर करता है जिन्हें एग्रीगेट सांख्यिकी मिस कर देती है।
एकीकृत ढांचा (Unified Framework): लॉजिकल रीजनिंग विफलताओं को मतिभ्रम की परिभाषा में एकीकृत करके, HUB सरल तथ्यात्मक सत्यापन से आगे बढ़कर सेमेंटिक अनफेथफुलनेस (semantic unfaithfulness) का एक व्यापक दृश्य प्रदान करता है।
व्यावहारिक दक्षता (Practical Efficiency): यह विधि बड़े एनकोडर्स के लिए एक अत्यधिक कुशल विकल्प प्रदान करती है, जिससे न्यूनतम ओवरहेड के साथ रीयल-टाइम मतिभ्रम का पता लगाना संभव होता है, क्योंकि यह केवल लॉग-प्रोबेबिलिटी स्ट्रीम का उपयोग करता है जो जनरेशन के दौरान पहले से ही उपलब्ध होती है।

लेखक निष्कर्ष निकालते हैं कि हालांकि HALT किसी एक मॉडल से बंधा नहीं है, लेकिन यह एक मॉडल के भीतर कार्यों के बीच हस्तांतरणीय अनिश्चितता डायनेमिक्स को सीखता है, जो वेट्स (weights) या बाहरी डेटा तक पहुँच की आवश्यकता के बिना मॉडल अनिश्चितता के विश्लेषण के लिए एक नया मोडैलिटी स्थापित करता है।