🤖 machine learning

GRALIS: A Unified Canonical Framework for Linear Attribution Methods via Riesz Representation

यह शोध पत्र GRALIS को प्रस्तुत करता है, जो रीज़ रिप्रेजेंटेशन थ्योरम (Riesz Representation Theorem) पर आधारित एक एकीकृत गणितीय ढांचा है, जो 14 में से 13.5 स्वैच्छिक गुणों (axiomatic properties) को एक साथ संतुष्ट करते हुए रैखिक एट्रिब्यूशन विधियों के लिए एक मानक रूप स्थापित करता है और पूर्णता (completeness), अभिसरण (convergence) तथा बहु-पैमाने की अंतःक्रियाओं (multi-scale interactions) के लिए औपचारिक गारंटी प्रदान करता है जिनका व्यक्तिगत XAI विधियों में अभाव है।

मूल लेखक: Raimondo Fanale

प्रकाशित 2026-05-08✓ Author reviewed ⓘ

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Raimondo Fanale

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 नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास एक बहुत ही बुद्धिमान, लेकिन रहस्यमय, "ब्लैक बॉक्स" कंप्यूटर प्रोग्राम (एक डीप न्यूरल नेटवर्क) है जो स्तन ऊतक (breast tissue) के नमूने की तस्वीर देखता है और तय करता है कि वह सौम्य (benign) है या घातक (malignant)। आप जानते हैं कि उसने क्या निर्णय लिया, लेकिन आपको यह पता नहीं है कि क्यों। यह एक डॉक्टर की तरह है जो आपको निदान तो देता है लेकिन एक्स-रे दिखाने या अपने तर्क समझाने से इनकार कर देता है।

इसे हल करने के लिए, वैज्ञानिकों ने "एक्सप्लेनेबल एआई" (XAI) टूल्स का आविष्कार किया है। इन टूल्स को अलग-अलग अनुवादकों के रूप में सोचें जो ब्लैक बॉक्स के तर्क को समझाने की कोशिश कर रहे हैं। हालाँकि, अब तक, ये अलग-अलग अनुवादक पूरी तरह से अलग भाषाएँ बोल रहे थे:

GradCAM ग्रेडिएंट्स का उपयोग करके इमेज पर "हॉट स्पॉट्स" की ओर इशारा करता है।
SHAP "क्या होगा अगर हम इस फीचर को हटा दें?" का खेल खेलता है।
LIME किसी विशिष्ट इमेज के आसपास एक सरल, स्थानीय मानचित्र बनाता है।
Integrated Gradients एक खाली इमेज से वास्तविक इमेज तक के पथ का अनुसरण करता है।

समस्या यह थी कि आप उनके उत्तरों की तुलना नहीं कर सकते थे। यह ऐसा था जैसे मील (miles) में खींचे गए मानचित्र की तुलना किलोमीटर में खींचे गए मानचित्र से करना, बिना किसी रूपांतरण सूत्र (conversion formula) के।

GRALIS का आगमन: एक सार्वभौमिक अनुवादक

यह पेपर GRALIS (Gradient-Riesz Averaged Locally-Integrated Shapley) पेश करता है। GRALIS को केवल एक नया टूल नहीं, बल्कि एक मास्टर फ्रेमवर्क के रूप में सोचें जो यह सिद्ध करता है कि ये सभी अलग-अलग अनुवादक वास्तव में एक ही अंतर्निहित भाषा बोल रहे हैं, बस उनके लहजे अलग हैं।

यहाँ मुख्य विचार दिया गया है, जिसे सरल उपमाओं के माध्यम से समझाया गया है:

1. "सार्वभौमिक रेसिपी" (The Canonical Form)

लेखकों ने पाया कि यदि आप GradCAM, SHAP, LIME और Integrated Gradients की विशिष्ट तरकीबों को हटा दें, तो वे सभी बिल्कुल एक ही गणितीय रेसिपी का पालन करते हैं। वे सभी केवल योगदानों का एक भारित औसत (weighted average of contributions) निकाल रहे हैं।

कल्पना कीजिए कि आप AI के निर्णय को समझाने के लिए एक स्मूदी (smoothie) बना रहे हैं।

सामग्री ( $\Delta$ ): ये "सीमांत योगदान" (marginal contributions) हैं। एक विशिष्ट फीचर (जैसे एक पिक्सेल या पिक्सेल का समूह) जोड़ने से AI के निर्णय में कितना बदलाव आया?
रेसिपी बुक ( $w$ ): यह "वेट फंक्शन" (weight function) है। यह तय करता है कि प्रत्येक सामग्री को कितना महत्व दिया जाए।
ब्लेंडर ( $Q$ ): यह "इंडेक्स स्पेस" (index space) है। यह वह कंटेनर है जहाँ आप सब कुछ मिलाते हैं।

GRALIS सिद्ध करता है कि AI के निर्णय को समझाने का कोई भी निष्पक्ष, रैखिक (linear) और निरंतर (continuous) तरीका इसी स्मूदी रेसिपी जैसा ही होना चाहिए। यह एक प्रसिद्ध गणितीय प्रमेय Riesz Representation Theorem पर आधारित है, जो मूल रूप से कहता है, "यदि आप किसी चीज़ को निष्पक्ष और निरंतर रूप से मापना चाहते हैं, तो आपको इसे इसी तरह करना होगा।"

2. "टूटे हुए टूल्स" को ठीक करना

पेपर बताता है कि पुराने टूल्स में विशिष्ट खामियां थीं, जैसे कि पंचर टायर वाली कार या खराब इंजन:

GradCAM में एक "ReLU" फ़िल्टर (एक फ़िल्टर जो नकारात्मक मानों को काट देता है) था। लेखक कहते हैं कि यह फ़िल्टर गणित को तोड़ देता है, जिससे अन्य टूल्स के साथ इसकी तुलना करना असंभव हो जाता है। वे एक "रैखिकीकृत" (linearized) संस्करण (GradCAM-lin) का प्रस्ताव करते हैं जो इस फ़िल्टर को हटा देता है, जिससे यह सार्वभौमिक रेसिपी में फिट बैठता है।
LIME अक्सर कुल भविष्यवाणी (total prediction) तक नहीं पहुँच पाता था (जैसे कि एक बजट जो संतुलित नहीं होता)। GRALIS इसे सुनिश्चित करके ठीक करता है कि "पूर्णता" (completeness) का सिद्धांत पूरा हो।
SHAP "वक्रता" (curvature - कैसे फीचर्स आपस में सहजता से इंटरैक्ट करते हैं) को अनदेखा कर देता था। GRALIS इस अंतर को भरने के लिए फीचर्स के बीच के पथ को देखता है, न कि केवल शुरुआत और अंत के बिंदुओं को।

3. "गठबंधन का खेल" (The Game of Coalitions)

इसका एक और दिलचस्प पहलू यह है कि यह इंटरेक्शन (interactions) को कैसे संभालता है।
कल्पना कीजिए कि एक टीम प्रोजेक्ट है जहाँ सफलता इस बात पर निर्भर करती है कि लोग मिलकर कैसे काम करते हैं।

पुराने तरीके आमतौर पर केवल पूछते थे, "व्यक्ति A ने कितना योगदान दिया?"
GRALIS पूछता है, "व्यक्ति A ने व्यक्ति B के साथ काम करते समय कितना योगदान दिया? व्यक्ति A, B और C मिलकर काम करते समय क्या हुआ?"

यह इमेज को एक सहकारी खेल (cooperative game) में बदलकर ऐसा करता है। यह पिक्सेल को "गठबंधन" (coalitions - जैसे सुपरपिक्सेल) में समूहित करता है और गणना करता है कि प्रत्येक समूह अंतिम स्कोर में कितना जोड़ता है। पेपर गणितीय रूप से सिद्ध करता है कि GRALIS इन "इंटरेक्शन वैल्यूज" की सटीक गणना करता है, न कि केवल एक अनुमान।

4. "बहु-पैमाने" (Multi-Scale) का दृष्टिकोण

कभी-कभी आपको एक तस्वीर को दूर से (बड़ी तस्वीर) और कभी-कभी करीब से (विस्तार) देखने की आवश्यकता होती है।

पुराने तरीके आमतौर पर एक ही स्केल चुनते थे।
GRALIS में एक फीचर है जिसे MS-GRALIS (Multi-Scale GRALIS) कहा जाता है। यह विवरण के विभिन्न स्तरों (ज़ूम इन और ज़ूम आउट करने की तरह) पर इमेज को देखता है और उन्हें "इष्टतम भार" (optimal weights) का उपयोग करके मिलाता है। यह एक फोटोग्राफर की तरह है जो एक वाइड शॉट, एक मीडियम शॉट और एक क्लोज-अप लेता है, और फिर उन्हें पूरी तरह से ब्लेंड करता है ताकि कोई भी महत्वपूर्ण विवरण छूट न जाए।

5. "प्रमाण" (Theorems)

पेपर केवल यह नहीं कहता कि "यह काम करता है"; यह सात औपचारिक प्रमेय (theorems) प्रदान करता है जो गारंटी देते हैं:

पूर्णता (Completeness): स्पष्टीकरण निर्णय के 100% तक पहुँचते हैं।
अभिसरण (Convergence): यदि आप गणना को कई बार चलाते हैं, तो उत्तर सत्य के करीब पहुँचता जाता है (एक ज्ञात त्रुटि सीमा के साथ)।
विशिष्टता (Uniqueness): इस फॉर्मूले को लिखने का केवल एक ही सही तरीका है।
इंटरेक्शन (Interaction): यह सही ढंग से गणना करता है कि फीचर्स एक-दूसरे को कैसे प्रभावित करते हैं।

6. "टेस्ट ड्राइव"

लेखकों ने स्तन कैंसर की छवियों (BreaKHis) के वास्तविक डेटासेट पर इसका परीक्षण किया। उन्होंने केवल यह नहीं कहा कि "यह अच्छा दिखता है"; उन्होंने यह भी जांचा कि यदि वे उन "महत्वपूर्ण" हिस्सों को हटा दें जिन्हें AI ने हाइलाइट किया था, तो क्या वास्तव में AI की भविष्यवाणी बदल जाती है।

परिणाम: जब उन्होंने शीर्ष-हाइलाइट किए गए क्षेत्रों को हटाया, तो "घातक" निदान में AI का आत्मविश्वास काफी कम हो गया (96% मामलों में)। यह सिद्ध करता है कि टूल वास्तव में सही स्थानों को खोज रहा है, न कि केवल अनुमान लगा रहा है।

सारांश

GRALIS एक गणितीय एकीकरण (unification) है जो कहता है: "AI को समझाने के तरीके वास्तव में एक ही चीज़ हैं, बस उन्हें अलग-अलग लेंसों के माध्यम से देखा जा रहा है।" यह एक एकल, कठोर ढांचा प्रदान करता है जो पुराने टूल्स की खामियों को ठीक करता है, उन्हें निष्पक्ष रूप से तुलना करने की अनुमति देता है, और गारंटी देता है कि स्पष्टीकरण गणितीय रूप से सुदृढ़, पूर्ण और यह पता लगाने में सक्षम हैं कि फीचर्स एक साथ कैसे काम करते हैं।

यह अंततः यह महसूस करने जैसा है कि एक भाषा के सभी अलग-अलग बोलियाँ वास्तव में एक ही भाषा हैं, और अब हमारे पास एक शब्दकोश है जो उन सभी का पूरी तरह से अनुवाद करता है।

तकनीकी सारांश: GRALIS – रैखिक एट्रिब्यूशन विधियों के लिए एक एकीकृत कैनोनिकल फ्रेमवर्क

1. समस्या विवरण (Problem Statement)

डीप न्यूरल नेटवर्क के लिए व्याख्यात्मक एआई (XAI) का क्षेत्र वर्तमान में खंडित है। प्रमुख एट्रिब्यूशन विधियाँ—जैसे कि GradCAM, SHAP, LIME, और Integrated Gradients (IG)—विभिन्न सैद्धांतिक आधारों पर कार्य करती हैं, जिससे वे औपचारिक रूप से तुलनीय नहीं रह जाती हैं। यह विखंडन अनुभवजन्य (empirical) के बजाय विधि चयन को अनिश्चित बनाता है, जहाँ विभिन्न तकनीकों के एट्रिब्यूशन मैप्स को व्यवस्थित रूप से तुलना या संयोजित नहीं किया जा सकता है।

इन विधियों को एकीकृत करने के पिछले प्रयास आंशिक रहे हैं:

Ancona et al. ने स्थापित किया कि ग्रेडिएंट-आधारित विधियों (जैसे GradCAM) को "ग्रेडिएंट $\times$ इनपुट" रैखिक रूप के रूप में व्यक्त किया जा सकता है, लेकिन उन्होंने यह सिद्ध नहीं किया कि यह संरचना आवश्यक है, न ही इसमें SHAP या LIME को शामिल किया।
Covert और Lee ने LIME, SHAP, और IG को Shapley गेम्स के माध्यम से एकीकृत किया, लेकिन GradCAM को बाहर कर दिया क्योंकि इसका पोस्ट-एग्रीगेशन ReLU उस रैखिकता का उल्लंघन करता है जो उनके फ्रेमवर्क के लिए आवश्यक है।

परिणामस्वरूप, साहित्य में छह संरचनात्मक अंतराल (structural gaps) शेष हैं:

स्वेच्छाचारी बेसलाइन (Arbitrary Baselines): IG एक निश्चित बेसलाइन पर निर्भर करता है, जिससे बेसलाइन के चुनाव के आधार पर परिणाम नाटकीय रूप से बदल जाते हैं।
वक्रता की अनदेखी (Ignored Curvature): SHAP गठबंधनों (coalitions) की तुलना करता है लेकिन उनके बीच के पथ (वक्रता) को अनदेखा करता है।
पूर्णता का अभाव (Lack of Completeness): LIME गुणांक (coefficients) आवश्यक रूप से मॉडल के आउटपुट अंतर के बराबर नहीं होते हैं।
स्थानिक सीमा (Spatial Limitation): GradCAM, CNN फीचर मैप्स तक सीमित है और डेंस लेयर्स या ट्रांसफॉर्मर्स पर लागू नहीं होता है।
अंतःक्रियाओं की कमी (Missing Interactions): अधिकांश विधियाँ मार्जिनल एट्रिब्यूशन उत्पन्न करती हैं, जो एकीकृत फीचर इंटरैक्शन को पकड़ने में विफल रहती हैं।
बहु-पैमाने पर एकत्रीकरण का अभाव (No Multi-Scale Aggregation): कोई भी विधि गणितीय रूप से इष्टतम भार के साथ विभिन्न एब्स्ट्रैक्शन स्तरों पर एट्रिब्यूशन को एकत्रित नहीं करती है।

2. कार्यप्रणाली: GRALIS फ्रेमवर्क (Methodology: The GRALIS Framework)

यह शोध पत्र GRALIS (Gradient-Riesz Averaged Locally-Integrated Shapley) प्रस्तावित करता है, जो Riesz Representation Theorem से प्राप्त एक अद्वितीय कैनोनिकल संरचना के तहत रैखिक योगात्मक (additive) एट्रिब्यूशन फंक्शनल्स को एकीकृत करने वाला एक गणितीय ढांचा है।

कैनोनिकल रूप (The Canonical Form)

GRALIS का प्रस्ताव है कि $L^2(Q, \mu)$ में प्रत्येक योगात्मक, रैखिक और निरंतर एट्रिब्यूशन फंक्शनल एक अद्वितीय कैनोनिकल प्रतिनिधित्व स्वीकार करता है:
$\phi_i(f, x, x') = \int_Q w(q) \cdot \Delta_i(f, x, x', q) \, d\mu(q)$
जहाँ:

$Q$ एक एकीकरण इंडेक्स स्पेस (integration index space) है (जैसे, पथ, गठबंधन, या फीचर मैप्स)।
$w(q)$ एक वेट फंक्शन (weight function) है।
$\Delta_i$ फीचर $i$ का मार्जिनल योगदान है।

यह रूप मौजूदा विधियों को विशेष मामलों के रूप में समाहित करता है:

GradCAM-lin: GradCAM का एक रैखिकीकृत संस्करण (पोस्ट-एग्रीगेशन ReLU को हटाकर) जहाँ $Q$ चैनल्स और पोजीशंस का प्रतिनिधित्व करता है।
SHAP: जहाँ $Q$ गठबंधनों (coalitions) का प्रतिनिधित्व करता है।
LIME: जहाँ $Q$ स्थानीय विक्षोभों (local perturbations) का प्रतिनिधित्व करता है।
Integrated Gradients: जहाँ $Q$ एकीकरण पथों (integration paths) का प्रतिनिधित्व करता है।

मुख्य एल्गोरिद्मिक घटक (Key Algorithmic Components)

कंडीशन्ड इंटीग्रेशन पाथ्स (Conditioned Integration Paths): मानक IG के विपरीत, जो एक वैश्विक पथ पर एकीकरण करता है, GRALIS विशिष्ट गठबंधनों $S$ पर आधारित पथों पर एकीकरण करता है। एकीकरण के दौरान $S$ के बाहर के फीचर्स बेसलाइन पर रहते हैं, जो इस विशिष्ट गठबंधन के लिए वक्रता (curvature) को कैप्चर करते हैं।
GRALIS-MC: सटीक Shapley मानों की घातांकीय जटिलता ( $O(2^n)$ ) को संबोधित करने के लिए, शोध पत्र एक मोंटे कार्लो सन्निकटन (Monte Carlo approximation) पेश करता है। यह जटिलता को $O(m \cdot n \cdot k)$ तक कम करता है, जिसमें एक स्पष्ट एरर बाउंड है जो मोंटे कार्लो सैंपलिंग एरर ( $O(1/\sqrt{m})$ ) और रीमान एकीकरण एरर ( $O(1/k)$ ) को जोड़ता है।
इंटरैक्शन वैल्यूज (Interaction Values): GRALIS एक मापने योग्य प्रोजेक्शन $\rho$ के माध्यम से निरंतर स्थान से एक सहकारी खेल $v_G$ प्रेरित करता है। यह मोबियस ट्रांसफॉर्म (Möbius transform) का उपयोग करके प्रेरित खेल पर Shapley Interaction Values (SIVs) की सटीक गणना करता है, न कि केवल सन्निकटन करता है।
बहु-पैमाना विस्तार (Multi-Scale Extension - MS-GRALIS): मल्टी-लेयर मॉडल्स के लिए, GRALIS इन्वर्स वेरियंस वेटिंग (inverse variance weighting) से प्राप्त भार $\lambda_\ell$ का उपयोग करके एट्रिब्यूशन को एकत्रित करता है, जो एट्रिब्यूशन के कुल वेरिएंस को कम करता है।

3. मुख्य योगदान और सैद्धांतिक गारंटी (Key Contributions and Theoretical Guarantees)

शोध पत्र सात औपचारिक प्रमेय (theorems) स्थापित करता है जो व्यक्तिगत विधियों में अनुपस्थित गारंटी प्रदान करते हैं:

T1 (एकीकृत कैनोनिकल रूप): Riesz Theorem के माध्यम से सिद्ध करता है कि $(Q, w, \Delta)$ का इंटीग्रल रूप किसी भी योगात्मक, रैखिक और निरंतर एट्रिब्यूशन फंक्शनल के लिए आवश्यक और अद्वितीय प्रतिनिधित्व है।
T2 (सटीक पूर्णता): गारंटी देता है कि एट्रिब्यूशन का योग मॉडल आउटपुट और बेसलाइन के अंतर ( $f(x) - f(x')$ ) के बराबर होता है।
T3 (अभिसरण/Convergence): GRALIS-MC के लिए एक अभिसरण सीमा प्रदान करता है, जो सैंपलिंग और पाथ डिस्क्रीटाइजेशन दोनों के लिए स्पष्ट एरर टर्म्स दिखाता है।
T4 (सटीक SIVs): प्रदर्शित करता है कि GRALIS प्रेरित सहकारी खेल $v_G$ पर Shapley Interaction Values की सटीक गणना करता है, जो अक्सर इंटरैक्शन अनुमान में पाई जाने वाली चक्रीयता या सन्निकटन से बचता है।
T5 (Hoeffding ANOVA): दिखाता है कि फीचर स्वतंत्रता के तहत, GRALIS टर्म्स Hoeffding फंक्शनल डीकंपोजिशन के साथ मेल खाते हैं।
T6 (Sobol Indices): स्थापित करता है कि सोबोल संवेदनशीलता सूचकांक (Sobol sensitivity indices) GRALIS का एक स्थानीय सीमित मामला (local limiting case) हैं।
T7 (बहु-पैमाना अनुकूलन): सिद्ध करता है कि इन्वर्स वेरियंस वेटिंग बहु-पैमाना एकत्रीकरण के लिए इष्टतम भार प्रदान करती है।

बीजगणितीय औचित्य (Algebraic Justification): परिशिष्ट X मोबियस ट्रांसफॉर्म का उपयोग करके निरंतर GRALIS इंटीग्रल और डिस्क्रीट Shapley Interaction Values के बीच पत्राचार को कठोरता से न्यायसंगत बनाता है, यह सिद्ध करता है कि GRALIS एक वैध सहकारी खेल $v_G$ का निर्माण करता है और उस पर सटीक रूप से SIVs की गणना करता है।

4. प्रयोगात्मक सत्यापन (Experimental Validation)

शोध पत्र BreaKHis डेटासेट (1,187 चित्र) पर एक ब्रेस्ट हिस्टोलॉजी क्लासिफिकेशन कार्य और नॉलेज डिस्टिलेशन के साथ प्रशिक्षित DenseNet-121 मॉडल पर प्रारंभिक सत्यापन रिपोर्ट करता है।

कार्यान्वयन (Implementation): SLIC सुपरपिक्सेल सेगमेंटेशन ( $n_{seg} \approx 25$ ), 30 मोंटे कार्लो परम्यूटेशन (एंटीथेटिक सैंपलिंग के साथ), और 10 इंटीग्रेशन स्टेप्स का उपयोग किया गया।
विश्वसनीयता (Faithfulness): इसे सुपरपिक्सेल विलोपन (deletion) के माध्यम से मूल्यांकित किया गया। घातक (malignant) छवियों के लिए, शीर्ष-एट्रिब्यूशन सुपरपिक्सेल्स को हटाने से 96% मामलों में घातक विश्वास (malignant confidence) में कमी आई (औसत गिरावट +0.025 से +0.027)। सौम्य (benign) छवियों के लिए, प्रभाव सममित (symmetric) और सैद्धांतिक रूप से सुसंगत था (सौम्य साक्ष्य हटाने से घातक विश्वास बढ़ गया)।
मेट्रिक्स:
- SAL (Saliency): 0.762 (सिमेंटिक रूप से सुसंगत क्षेत्रों की पहचान करना)।
- कॉम्पैक्टनेस ( $\phi_{active}$ ): 0.39, जो फीचर-स्पेस वेरिएंट्स की तुलना में 19 गुना सुधार है।
- डिलीशन AUC: प्रारंभिक अनुमान घातक छवियों के लिए सकारात्मक AUC और सौम्य छवियों के लिए सममित नकारात्मक AUC दिखाते हैं, जो क्लास-कंडीशनल संरचना के अनुरूप है।

नोट: लेखक स्पष्ट रूप से उल्लेख करते हैं कि एक साथी पेपर के लिए आधारभूत विधियों (GradCAM, KernelSHAP, LIME, IG) के विरुद्ध एक पूर्ण तुलनात्मक बेंचमार्क की योजना बनाई गई है।

5. महत्व और दावे (Significance and Claims)

शोध पत्र यह दावा करता है कि GRALIS एक एकीकृत गणितीय औचित्य प्रदान करके XAI के विखंडन को हल करता है। इसका महत्व निम्नलिखित में निहित है:

औपचारिक एकीकरण: यह पहला फ्रेमवर्क है जो GradCAM (रैखिकीकृत), SHAP, LIME, और IG को एक एकल आवश्यक कैनोनिकल रूप के तहत एक साथ समाहित करता है।
संरचनात्मक पूर्णता: यह किसी भी मौजूदा विधि की तुलना में अधिक संख्या में अक्षीय गुणों (13.5/14) को संतुष्ट करता है, जिसमें पूर्णता, संवेदनशीलता, स्थानीयता और सटीक इंटरैक्शन शामिल हैं।
सैद्धांतिक कठोरता: यह केवल अनुभवजन्य अवलोकन से आगे बढ़कर यह सिद्ध करता है कि रैखिकता योगात्मक एट्रिब्यूशन के लिए एक संरचनात्मक आवश्यकता है, जो ग्रेडिएंट-आधारित और गेम-थ्योरेटिक विधियों के बीच के "अंतराल" को हल करता है।
इष्टतमता (Optimality): यह बहु-पैमाना एकत्रीकरण के लिए पहला गणितीय रूप से व्युत्पन्न इष्टतम भार प्रदान करता है।

लेखक अपने प्रयोगात्मक दायरे के संबंध में एक विनम्र रुख बनाए रखते हैं, यह स्वीकार करते हुए कि वर्तमान सत्यापन एक एकल डेटासेट और आर्किटेक्चर पर एक 'प्रूफ-ऑफ-कॉन्सेप्ट' है। वे इस बात पर जोर देते हैं कि प्रमेय (Theorems 1–7) घोषित रैखिकता और निरंतरता की शर्तों के तहत बिना शर्त लागू होते हैं, जो उनके प्रयोगात्मक परिणामों से स्वतंत्र है। यह फ्रेमवर्क गैर-रैखिक विधियों (जैसे, मानक GradCAM विद ReLU, अटेंशन मैप्स) को कवर नहीं करता है, क्योंकि वे Riesz रिप्रेजेंटेशन की शर्तों के बाहर आते हैं, जो एक ऐसी सीमा है जिसे लेखकों ने भविष्य के कार्य के लिए स्पष्ट रूप से नोट किया है।