💻 computer science

Plato's Form: Toward Backdoor Defense-as-a-Service for LLMs with Prototype Representations

यह शोध पत्र PROTOPURIFY को प्रस्तुत करता है, जो एक स्केलेबल और पुन: प्रयोज्य बैकडोर रक्षा ढांचा (backdoor defense framework) है जो परतों के across प्रोटोटाइप-संरेखित घटकों की पहचान करके और उन्हें दबाकर लार्ज लैंग्वेज मॉडल्स को शुद्ध करता है, जिससे बिना किसी साइड इंफॉर्मेशन के क्लीन यूटिलिटी पर न्यूनतम प्रभाव के साथ विविध बैकडोर हमलों को प्रभावी ढंग से कम किया जा सकता है।

मूल लेखक: Chen Chen, Yuchen Sun, Jiaxin Gao, Yanwen Jia, Xueluan Gong, Qian Wang, Kwok-Yan Lam

प्रकाशित 2026-02-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chen Chen, Yuchen Sun, Jiaxin Gao, Yanwen Jia, Xueluan Gong, Qian Wang, Kwok-Yan Lam

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 आपने एक बड़े आयोजन के लिए भोजन तैयार करने के लिए एक शेफ को काम पर रखा है। आप उन पर भरोसा करते हैं, लेकिन क्या होगा अगर वे गुप्त रूप से, रेसिपी में एक सूक्ष्म, अदृश्य सामग्री मिला दें? यह सामग्री सामान्य व्यंजन के स्वाद में कुछ नहीं करती, लेकिन यदि आप एक विशिष्ट "जादुई शब्द" (ट्रिगर) कहते हैं, तो शेफ अचानक आपको कुछ जहरीला या विनाशकारी परोस देता है।

आर्टिफिशियल इंटेलिजेंस (AI) की दुनिया में, ये "शेफ" लार्ज लैंग्वेज मॉडल्स (LLMs) हैं, और वह "जहर" बैकडोर अटैक (backdoor attack) कहलाता है।

यह पेपर PROTOPURIFY नामक एक नई सेवा पेश करता है, जिसे एक हाई-टेक "किचन इंस्पेक्टर" के रूप में डिज़ाइन किया गया है जो भोजन को खराब किए बिना इस जहर को ढूंढ सकता है और हटा सकता है।

यह कैसे काम करता है, यहाँ सरल चरणों में दिया गया है:

1. समस्या: वर्तमान बचाव तंत्र क्यों विफल होते हैं

कल्पना कीजिए कि आप एक सुरक्षा कंपनी चलाते हैं जो शेफ की रेसिपी का निरीक्षण करती है।

पुराने बचाव (Old Defenses): अधिकांश वर्तमान सुरक्षा उपकरण उन जासूसों की तरह हैं जिन्हें यह जानने की आवश्यकता होती है कि जहर बिल्कुल कैसा दिखता है, या उन्हें तुलना करने के लिए व्यंजन का एक "साफ" संस्करण चाहिए होता है। लेकिन वास्तविक दुनिया में, अक्सर आप नहीं जानते कि जहर क्या है, और आपके पास रेसिपी का कोई साफ संस्करण भी नहीं होता जिससे तुलना की जा सके।
लक्ष्य: लेखक एक ऐसी सेवा (जिसे BDaaS या "बैकडोर डिफेंस-एज़-ए-सर्विस" कहा जाता है) बनाना चाहते हैं जो किसी भी संदिग्ध मॉडल का निरीक्षण कर सके, भले ही वे विशिष्ट हमले या इसे प्रशिक्षित करने के लिए उपयोग किए गए डेटा के बारे में कुछ भी न जानते हों।

2. मुख्य विचार: "पॉइजन प्रोटोटाइप" (Poison Prototype)

लेखकों ने गौर किया कि: भले ही अलग-अलग हमलावर अलग-अलग जहर का उपयोग करते हैं, लेकिन जिस तरह से वे मॉडल के "दिमाग" (इसके आंतरिक गणित) के साथ छेड़छाड़ करते हैं, वह आश्चर्यजनक रूप से समान दिखता है।

उपमा (Analogy): बैकडोर हमले को तालाब में एक विशिष्ट प्रकार की "कंपन" या "लहर" के रूप में सोचें। भले ही आप पत्थर, छड़ी या पत्ता (विभिन्न हमले) डालें, वे सभी पानी में एक समान प्रकार के लहर पैटर्न बनाते हैं।
समाधान: विशिष्ट पत्थर को खोजने के बजाय, सिस्टम एक "प्रोटोटाइप" बनाता है—एक मास्टर ब्लूप्रिंट कि "जहर की लहर" कैसी दिखती है।

3. PROTOPURIFY कैसे काम करता है (4 चरण)

चरण 1: जहर का अनुकरण करना (ट्रेनिंग कैंप)
इससे पहले कि वे अपराधी को पकड़ सकें, उन्हें यह जानना होगा कि अपराधी कैसा दिखता है। सिस्टम हजारों नकली "ट्रेनिंग कैंप" चलाता है जहाँ वे जानबूझकर ज्ञात ट्रिक्स के साथ मॉडल्स को जहर देते हैं। फिर वे "जहरयुक्त" मॉडल की तुलना एक "साफ" मॉडल से करते हैं ताकि यह देखा जा सके कि गणित वास्तव में कैसे बदला। यह "जहर के फिंगरप्रिंट्स" की एक लाइब्रेरी बनाता है।

चरण 2: मास्टर ब्लूप्रिंट बनाना (प्रोटोटाइप)
सिस्टम उन सभी विभिन्न "जहर के फिंगरप्रिंट्स" को लेता है और उनका औसत निकालता है। यह एक एकल, पूर्ण "बैकडोर प्रोटोटाइप" बनाता है। यह एक गणितीय मानचित्र है कि कोई भी बैकडोर कैसा दिखता है, चाहे विशिष्ट ट्रिक कुछ भी हो।

चरण 3: संदूषण क्षेत्र को खोजना (बाउंड्री लेयर)
आप पूरे किचन को साफ नहीं कर सकते; आप अच्छे तत्वों को भी धो सकते हैं। सिस्टम मॉडल को परत-दर-परत (जैसे इमारत के अलग-अलग फ्लोर को देखना) देखता है।

यह उस विशिष्ट फ्लोर को ढूंढता है जहाँ "जहर की लहर" सबसे मजबूत होती है।
यह निचले फ्लोर्स (बुनियादी भाषा कौशल) को वैसे ही रहने देता है और केवल ऊपरी फ्लोर्स पर ध्यान केंद्रित करता है जहाँ बैकडोर रहता है। यह मॉडल की सामान्य रूप से बोलने और सोचने की क्षमता को सुरक्षित रखता है।

चरण 4: सर्जिकल निष्कासन (शुद्धिकरण)
एक बार जब यह संदूषित क्षेत्र को ढूंढ लेता है, तो यह केवल पूरे हिस्से को हटा नहीं देता। यह मॉडल के गणित को छोटे घटकों में तोड़ने के लिए एक गणितीय "छलनी" (जिसे सिंगुलर वैल्यू डिकंपोजिशन कहा जाता है) का उपयोग करता है।

यह प्रत्येक घटक की मास्टर ब्लूप्रिंट के साथ जांच करता है।
यदि कोई घटक "जहर की लहर" से मेल खाता है, तो यह उस विशिष्ट भाग की आवाज़ (volume) को धीरे से कम कर देता है।
यदि यह मेल नहीं खाता, तो यह उसे अकेला छोड़ देता है।

4. यह एक बड़ी बात क्यों है

पेपर का दावा है कि यह विधि चार कारणों से मौजूदा बचावों से बेहतर है:

पुन: प्रयोज्य (Reusable): आप "मास्टर ब्लूप्रिंट" एक बार बनाते हैं, और आप इसका उपयोग हजारों अलग-अलग मॉडल्स को साफ करने के लिए कर सकते हैं। यह एक मास्टर कुंजी होने जैसा है जो कई अलग-अलग तालों को खोल सकती है।
अनुकूलन योग्य (Customizable): यदि आप हमले के बारे में थोड़ा जानते हैं (जैसे, "यह शायद एक टेक्स्ट-आधारित ट्रिक है"), तो सिस्टम ब्लूप्रिंट को और भी बेहतर बनाने के लिए उसे ट्यून कर सकता है।
समझने योग्य (Understandable): यह आपको बताता है कि जहर कहाँ है (कौन सी लेयर्स) और यह कैसे वहाँ पहुँचा, न कि केवल यह कि "इसे ठीक कर दिया गया है।"
तेज़ (Fast): इसे मॉडल को शुरू से फिर से प्रशिक्षित करने की आवश्यकता नहीं है (जिसमें दिनों लग जाते हैं)। यह केवल एक त्वरित गणितीय संपादन करता है, जिसमें केवल मिनट लगते हैं।

5. परिणाम

लेखकों ने विभिन्न प्रकार के बैकडोर्स (कुछ स्पष्ट ट्रिगर्स वाले, कुछ छिपे हुए) के साथ लोकप्रिय AI मॉडल्स (जैसे Llama और Mistral) पर इनका परीक्षण किया।

सफलता दर (Success Rate): सिस्टम ने बैकडोर के काम करने की संभावना (Attack Success Rate) को लगभग 100% से घटाकर 10% से नीचे (कभी-कभी 1.6% तक कम) कर दिया।
सुरक्षा (Safety): महत्वपूर्ण रूप से, इसने मॉडल के सामान्य प्रदर्शन (Clean Data Accuracy) को लगभग वैसा ही बनाए रखा, जिसमें 3% से भी कम की गिरावट आई।

सारांश

PROTOPURIFY एक नया टूल है जो AI मॉडल्स के लिए एक विशेष एक्स-रे की तरह काम करता है। इसके लिए पहले से यह जानने की आवश्यकता नहीं है कि विशिष्ट जहर क्या है, बल्कि यह बैकडोर्स सामान्य रूप से कैसे दिखते हैं, इसके "मास्टर ब्लूप्रिंट" का उपयोग करके हानिकारक हिस्सों को सर्जिकल तरीके से हटा देता है, जबकि मॉडल की सहायक क्षमताओं को पूरी तरह से बरकरार रखता है। इसे उन लोगों के लिए एक तेज़, पुन: प्रयोज्य सेवा के रूप में डिज़ाइन किया गया है जिन्हें यह सुनिश्चित करने के लिए कि उनका AI सुरक्षित है, उपयोग करने से पहले इसकी आवश्यकता है।

तकनीकी सारांश: PROTOPURIFY

समस्या विवरण

लार्ज लैंग्वेज मॉडल्स (LLMs) को तेजी से सुरक्षा-संवेदनशील अनुप्रयोगों में तैनात किया जा रहा है, लेकिन वे बैकडोर हमलों के प्रति संवेदनशील बने हुए हैं, जहाँ हमलावर विशिष्ट ट्रिगर्स के संपर्क में आने पर पूर्व-निर्धारित आउटपुट को सक्रिय करने के लिए दुर्भावनापूर्ण कार्यात्मकताओं को स्थापित करते हैं। जबकि बैकडोर डिफेंस-एज़-ए-सर्विस (BDaaS) पोस्ट-हॉक मॉडल शुद्धिकरण के लिए एक उभरता हुआ प्रतिमान है, मौजूदा रक्षा तंत्र महत्वपूर्ण परिचालन बाधाओं का सामना करते हैं:

अवास्तविक धारणाएँ: कई रक्षा प्रणालियों के लिए डाउनस्ट्रीम स्वच्छ डेटा, विशिष्ट ट्रिगर्स/लक्ष्यों के ज्ञान, या कार्य डोमेन विशिष्टताओं की आवश्यकता होती है, जो सेवा-उन्मुख सेटिंग में अक्सर उपलब्ध नहीं होते हैं या संवेदनशील होते हैं।
पुन: प्रयोज्यता का अभाव: वर्तमान विधियाँ आमतौर पर मॉडलों को स्वतंत्र रूप से शुद्ध करती हैं, जिनमें विविध बैकडोर्ड मॉडलों के बीच अंतर्दृष्टि या घटकों को स्थानांतरित करने के तंत्र का अभाव होता है, जिससे स्केलेबिलिटी सीमित हो जाती है।
समझौते (Trade-offs): मौजूदा दृष्टिकोण अक्सर उच्च कम्प्यूटेशनल ओवरहेड (प्रत्येक मॉडल के लिए प्रशिक्षण की आवश्यकता) से ग्रस्त होते हैं या स्वच्छ डेटा सटीकता (Clean Data Accuracy, CDA) में महत्वपूर्ण गिरावट का कारण बनते हैं।

यह शोध पत्र एक ऐसे शुद्धिकरण ढांचे की आवश्यकता की पहचान करता है जो पुन: प्रयोज्य, अनुकूलन योग्य, व्याख्या योग्य और रनटाइम-कुशल हो, जो हमले या लक्ष्य मॉडल के डाउनस्ट्रीम कार्य के बारे में न्यूनतम धारणाओं के तहत कार्य कर सके।

कार्यप्रणाली: PROTOPURIFY

PROTOPURIFY एक प्रोटोटाइप-आधारित बैकडोर शुद्धिकरण ढांचा है जिसे वेट स्पेस (weight space) में संचालित करने के लिए डिज़ाइन किया गया है। यह इस अवलोकन का लाभ उठाता है कि विभिन्न बैकडोर हमले सहसंबद्ध पैरामीटर बदलाव (correlated parameter shifts) उत्पन्न करते हैं, जो एक साझा "बैकडोर प्रोटोटाइप" का सुझाव देते हैं। यह ढांचा चार चरणों से बना है:

1. बैकडोर सिमुलेशन (वेक्टर पूल निर्माण)

मूल हमला डेटा तक पहुँच के बिना विविध बैकडोर व्यवहारों को कैप्चर करने के लिए, डिफेंडर सहायक सार्वजनिक डेटासेट और ज्ञात हमला रणनीतियों (जैसे, सिंगल-ट्रिगर, मल्टी-ट्रिगर, ट्रिगरलेस) का उपयोग करके ऑफलाइन विभिन्न हमला परिदृश्यों का अनुकरण करता है।

प्रक्रिया: प्रत्येक परिदृश्य के लिए, एक "बैकडोर्ड मॉडल" ( $M_b$ ) और एक "क्लीन मॉडल" ( $M_c$ ) को एक ही बेस मॉडल ( $M_{base}$ ) से समान हाइपरपैरामीटर्स का उपयोग करके प्रशिक्षित किया जाता है, जो केवल ज़हरीले डेटा या वेट हेरफेर की उपस्थिति में भिन्न होते हैं।
बैकडोर वेक्टर: बैकडोर वेक्टर $v$ को बैकडोर्ड और क्लीन मॉडलों के मापदंडों के अंतर के रूप में परिकलित किया जाता है: $v = \vartheta(M_b) - \vartheta(M_c)$ । यह घटाव कार्य-विशिष्ट लर्निंग सिग्नल्स को हटा देता है, जिससे केवल दुर्भावनापूर्ण अपडेट अलग हो जाते हैं।
आउटपुट: विविध हमला व्यवहारों का प्रतिनिधित्व करने वाला बैकडोर वेक्टर पूल $\mathcal{V}$ ।

2. प्रोटोटाइप निर्माण

सिस्टम साझा दुर्भावनापूर्ण प्रतिनिधित्व को निकालने के लिए बैकडोर वेक्टर पूल को एकत्रित करता है।

एकत्रीकरण (Aggregation): शोध पत्र दो एकत्रीकरण रणनीतियों का मूल्यांकन करता है: अरिथमेटिक मीन (AM) और प्रिंसिपल कंपोनेंट एनालिसिस (PCA)। प्रयोगों से पता चलता है कि AM बेहतर है क्योंकि यह सुसंगत पैरामीटर परिवर्तनों को सुदृढ़ करता है, जबकि PCA शोर या अप्रासंगिक विविधताओं को बढ़ा सकता है।
चयन: एक लक्षित बैकडोर्ड मॉडल $M'$ के लिए, सिस्टम उसके वेट अपडेट वेक्टर $w = \vartheta(M') - \vartheta(M_{base})$ की गणना करता है। इसके बाद, यह कोसाइन समानता को अधिकतम करके निर्मित सेट से सबसे संरेखित (aligned) उम्मीदवार प्रोटोटाइप $p^*$ का चयन करता है: $p^* = \arg\max_{p \in \mathcal{P}} \text{CosSim}(w, p)$ ।

3. बाउंडरी लेयर डिटेक्शन

उपयोगिता क्षरण को रोकने के लिए, PROTOPURIFY पूरे मॉडल को संशोधित करने से बचता है। यह एक "बाउंडरी लेयर" की पहचान करता है जो मॉडल को संरक्षित निचली परतों और उम्मीदवार ऊपरी परतों में विभाजित करती है।

तंत्र: सिस्टम लक्षित मॉडल के अपडेट और चयनित प्रोटोटाइप के बीच लेयर-वार एलाइनमेंट स्कोर की गणना करता है। अनुभवजन्य रूप से, एलाइनमेंट स्कोर निचली परतों में स्थिर रहते हैं लेकिन गहरी परतों में तेजी से बढ़ते हैं जहाँ सिमेंटिक बैकडोर व्यवहार एनकोड होते हैं।
मानदंड: बाउंडरी लेयर $l^*$ का चयन मैग्निट्यूड सिग्निफिकेंस (स्कोर निचली परत के सांख्यिकी के आधार पर एक थ्रेशोल्ड से अधिक है) और इन्क्रीमेंट सिग्निफिकेंस (बढ़त की दर बेसलाइन की तुलना में अधिक तीव्र है) के आधार पर किया जाता है।

4. मॉडल शुद्धिकरण

लक्ष्य परतों $l \geq l^*$ पर लक्षित शुद्धिकरण किया जाता है।

अपघटन (Decomposition): लक्षित परतों में प्रत्येक प्रशिक्षण योग्य वेट मैट्रिक्स $\Delta W$ के लिए, सिंगुलर वैल्यू डीकंपोजिशन (SVD) लागू किया जाता है: $\Delta W = \sum \lambda_i a_i b_i^\top$ ।
सिग्नल पहचान: प्रत्येक रैंक-1 घटक को संबंधित प्रोटोटाइप मैट्रिक्स $\Delta P$ पर प्रोजेक्ट किया जाता है ताकि बैकडोर सिग्नल स्कोर $c_i$ की गणना की जा सके।
दमन (Suppression): जिन घटकों के स्कोर एडैप्टिव थ्रेशोल्ड से अधिक होते हैं, उन्हें दुर्भावनापूर्ण के रूप में पहचाना जाता है। उनके सिंगुलर वैल्यूज $\lambda_i$ को एक कारक $(1-\alpha)$ द्वारा स्केल किया जाता है, जहाँ $\alpha$ एक नियंत्रणीय शुद्धिकरण शक्ति है। यह शमन (mitigation) और उपयोगिता संरक्षण के बीच एक संतुलन की अनुमति देता है।

मुख्य योगदान

प्रोटोटाइप-आधारित शुद्धिकरण: शोध पत्र PROTOPURIFY का प्रस्ताव करता है, जो सिम्युलेटेड मॉडल युग्मों से एक पुन: प्रयोज्य बैकडोर प्रोटोटाइप का निर्माण करता है, जिससे स्वच्छ डाउनस्ट्रीम डेटा या ट्रिगर ज्ञान के बिना शुद्धिकरण सक्षम होता है।
एंड-टू-एंड वेट-स्पेस पाइपलाइन: लेखक एक पाइपलाइन विकसित करते हैं जिसमें बैकडोर वेक्टर निष्कर्षण, प्रोटोटाइप एकत्रीकरण, लेयर-वार बाउंडरी डिटेक्शन और नियंत्रित घटक दमन शामिल है।
BDaaS तत्परता: ढांचे को स्पष्ट रूप से सेवा परिनियोजन के लिए चार प्रमुख आवश्यकताओं को पूरा करने के लिए डिज़ाइन किया गया है: पुन: प्रयोज्यता (ऑफलाइन प्रोटोटाइप निर्माण का कई मॉडलों के लिए पुन: उपयोग), अनुकूलन क्षमता (ज्ञात हमला परिवारों या कार्यों के लिए अनुकूलन योग्य), व्याख्यात्मकता (सिग्नल विश्लेषण के माध्यम से बैकडोर एनकोडिंग स्थानों को प्रकट करता है), और रनटाइम दक्षता (ट्रेनिंग-फ्री, वन-शॉट एडिटिंग)।

प्रयोगात्मक परिणाम

लेखकों ने वर्गीकरण (SST-2, CoLA, QQP, MNLI, Emotion) और जनरेशन (CHAT-BACKDOOR) कार्यों पर Llama3-8B और Mistral-7B पर PROTOPURIFY का मूल्यांकन किया।

बेसलाइन्स के विरुद्ध प्रदर्शन: PROTOPURIFY की तुलना छह अत्याधुनिक रक्षा प्रणालियों (Wanda, Fine-Tuning, NAD, BEEAR, CROW, LETHE) से की गई थी।
- शमन (Mitigation): इसने सिंगल-ट्रिगर, मल्टी-ट्रिगर और ट्रिगरलेस हमलों में लगातार अटैक सक्सेस रेट (ASR) को 10% से नीचे (अक्सर 1.6% तक कम) कम किया।
- उपयोगिता (Utility): इसने उच्च क्लीन डेटा सटीकता (CDA) बनाए रखी, और अधिकांश मामलों में सौदेबाजी (benign utility) में 3% से कम की गिरावट दर्ज की।
- तुलना: उन परिदृश्यों में जहाँ फाइन-ट्यूनिंग जैसे बेसलाइन महत्वपूर्ण उपयोगिता हानि (जैसे, SST-2 पर CDA ~58% तक गिरना) का कारण बनते हैं या ASR को दबाने में विफल रहते हैं (जैसे, ASR >40% रहना), PROTOPURIFY ने बेहतर संतुलन प्राप्त किया (जैसे, SST-2 पर ASR 4.4% के साथ CDA 91.3%)।
स्थानांतरण क्षमता (Transferability): वर्गीकरण कार्यों पर निर्मित प्रोटोटाइप ने जनरेशन कार्यों पर मॉडलों को सफलतापूर्वक शुद्ध किया, जो क्रॉस-डोमेन प्रभावशीलता को प्रदर्शित करता है।
मजबूती (Robustness): विधि उन अनुकूलक हमलावरों (adaptive adversaries) के खिलाफ भी प्रभावी रही जिन्होंने बैकडोर सिग्नल को बढ़ाने का प्रयास किया, और इसने गैर-बैकडोर्ड (स्वच्छ) मॉडलों पर नगण्य प्रदर्शन गिरावट की।
दक्षता: प्रति मॉडल रनटाइम 5-5 मिनट है (ट्रेनिंग-फ्री), जो सैकड़ों मिनटों की आवश्यकता वाले ग्रेडिएंट-आधारित बेसलाइन्स की तुलना में काफी तेज़ है।

महत्व और दावे

शोध पत्र का दावा है कि PROTOPURIFY LLM सुरक्षा में एक महत्वपूर्ण अंतर को संबोधित करता है, जो बैकडोर डिफेंस-एज़-ए-सर्विस के लिए एक व्यावहारिक, सेवा-तैयार प्रिमिटिव प्रदान करता है। इसका महत्व निम्नलिखित में निहित है:

परिचालन व्यवहार्यता: स्वच्छ लक्ष्य डेटा या ट्रिगर ज्ञान की आवश्यकता को हटाकर, यह बैकडोर शुद्धिकरण को वाणिज्यिक BDaaS प्लेटफार्मों के लिए व्यवहार्य बनाता है।
स्केलेबिलिटी: पुन: प्रयोज्य प्रोटोटाइप का ऑफलाइन निर्माण कम्प्यूटेशनल लागत को कम करता है, जिससे विविध मॉडलों का उच्च-थ्रूपुट शुद्धिकरण संभव होता है।
परिशुद्धता: लेयर-वाइज और कंपोनेंट-वाइज सप्रेशन रणनीति सौदेबाजी (benign capabilities) को होने वाले नुकसान को न्यूनतम करती है, जो मौजूदा प्रूनिंग या फाइन-ट्यूनिंग रक्षाओं का एक सामान्य विफलता बिंदु है।

लेखक इस बात पर जोर देते हैं कि हालांकि उनकी विधि मजबूत है, लेकिन यह व्यापक आपूर्ति-श्रृंखला सुरक्षा (जैसे, डेटासेट की जांच) का विकल्प नहीं है और इसे पारदर्शी और व्याख्या योग्य बनाने के लिए डिज़ाइन किया गया है ताकि समझौता किए गए मॉडलों के निदान में सहायता मिल सके।