🤖 machine learning

FLaG: Fine-Grained Latent Grouping for Hallucination Detection

FLaG एक हल्का, फ्रोजन-मॉडल फ्रेमवर्क है जो ऊर्जा-आधारित लेटेंट एविडेंस ग्रुपिंग और सिद्धांत-आधारित लॉग-मार्जनल एग्रीगेशन के माध्यम से उन्हें विषम विफलता तंत्रों के रूप में मॉडल करके LLM मतिभ्रम (hallucinations) का पता लगाता है, जो अंतर्निहित मॉडल को संशोधित किए बिना विविध बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त करता है।

मूल लेखक: Wentao Ye, Liyao Li, Zhiqing Xiao, Muzhi Zhu, Jiaqi Hu, Zhanming Shen, Xiaomeng Hu, Sean Du, Haobo Wang

प्रकाशित 2026-06-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Wentao Ye, Liyao Li, Zhiqing Xiao, Muzhi Zhu, Jiaqi Hu, Zhanming Shen, Xiaomeng Hu, Sean Du, Haobo Wang

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 शिक्षक हैं जो किसी छात्र के निबंध का मूल्यांकन कर रहे हैं। कभी-कभी, छात्र कुछ ऐसा लिखता है जो सुनने में एकदम सटीक लगता है, जिसका प्रवाह बहुत सुंदर होता है और जो बड़े शब्दों का उपयोग करता है, लेकिन तथ्य पूरी तरह से मनगढ़ंत होते हैं। इसे ही हम लार्ज लैंग्वेज मॉडल्स (LLMs) में "हैलुसिनेशन" (hallucination) कहते हैं।

समस्या यह है कि ये "नकली" उत्तर सभी एक जैसे नहीं होते। कुछ झूठ इसलिए होते हैं क्योंकि मॉडल तथ्यों को लेकर भ्रमित है; कुछ इसलिए होते हैं क्योंकि वह आपको खुश करने की बहुत अधिक कोशिश कर रहा है; और कुछ इसलिए होते हैं क्योंकि वह बस अंदाजे लगा रहा है।

पुराना तरीका: एक ही आकार का जासूस (The One-Size-Fits-All Detective)
पिछले तरीकों ने इन झूठों को पकड़ने के लिए एक ही "झूठ पकड़ने वाले यंत्र" (lie detector) का उपयोग करने की कोशिश की। वे एक ही चीज़ को देखते थे—जैसे कि मॉडल कितना आत्मविश्वासी लग रहा था या आखिरी शब्द कितना अजीब था—और पूरे उत्तर को एक एकल स्कोर देते थे।

खामी: यह एक ही मेटल डिटेक्टर से हर प्रकार के चोर को पकड़ने की कोशिश करने जैसा है। यदि कोई चोर बंदूक छिपाता है, तो डिटेक्टर बीप करेगा। यदि वह चाकू छिपाता है, तो शायद नहीं। यदि वह बम छिपाता है, तो वह पागल हो जाएगा। क्योंकि हैलुसिनेशन कई अलग-अलग "स्वादों" में आते हैं, इसलिए एक एकल स्कोर अक्सर सूक्ष्म गलतियों को पकड़ने में विफल रहता है या भ्रमित हो जाता है।

नया तरीका: FLaG (Fine-Grained Latent Grouping)
इस शोध पत्र के लेखक FLaG नामक एक नई प्रणाली प्रस्तावित करते हैं। एक ही जासूस का उपयोग करने के बजाय, यह विभिन्न प्रकारों की गलतियों को खोजने के लिए विशेषज्ञों की एक टीम का उपयोग करता है।

यहाँ बताया गया है कि FLaG कैसे काम करता है, सरल उपमाओं का उपयोग करते हुए:

1. दो अलग-अलग स्रोतों से सुराग इकट्ठा करना

निर्णय लेने से पहले, FLaG मॉडल के काम को दो कोणों से देखता है:

"ज्यामिति" (Geometry) का सुराग: कल्पना करें कि मॉडल के विचार एक मानचित्र की तरह हैं। FLaG जाँचता है कि क्या अंतिम उत्तर मूल प्रश्न की तुलना में सही पड़ोस में है। क्या मॉडल मूल विषय से बहुत दूर भटक गया है?
"संभाव्यता" (Probability) का सुराग: यह मॉडल के आंतरिक आत्मविश्वास को देखता है। क्या वह कुछ शब्दों पर लड़खड़ाया? क्या वह अनिश्चित था? या क्या वह किसी ऐसी चीज़ के बारे में अत्यधिक आत्मविश्वासी था जो सच नहीं होनी चाहिए थी?

2. "सॉफ्ट" छँटाई प्रणाली (The Latent Groups)

यही मुख्य जादू है। FLaG उत्तर को एक ही बॉक्स में जबरदस्ती नहीं डालता। इसके बजाय, यह एक सॉफ्ट रूटिंग सिस्टम का उपयोग करता है।

उपमा: कल्पना करें कि एक अस्पताल में ट्राइएज नर्स (triage nurse) है। जब कोई मरीज आता है, तो नर्स केवल यह नहीं कहती कि "बीमार" या "स्वस्थ"। नर्स पूछती है: "क्या यह टूटी हुई हड्डी है? बुखार है? या पेट दर्द है?"
FLaG कैसे करता है: यह सुरागों को देखता है और कहता है, "यह उत्तर 60% 'तथ्य-गढ़ंत' (fact-fabrication) त्रुटि जैसा दिखता है, 30% 'तार्किक विरोधाभास' (logical contradiction) त्रुटि जैसा दिखता है, और 10% 'भ्रमित संदर्भ' (confused context) त्रुटि जैसा दिखता है।" यह केवल एक को नहीं चुनता; यह स्वीकार करता है कि उत्तर विभिन्न समस्याओं का मिश्रण हो सकता है।

3. "विशेषज्ञ पैनल" का मतदान

एक बार जब उत्तर को इन विभिन्न "समूहों" (या त्रुटि प्रकारों) में वर्गीकृत कर दिया जाता है, तो FLaG प्रत्येक समूह के लिए एक विशिष्ट विशेषज्ञ से पूछता है: "इस विशिष्ट प्रकार की त्रुटि के सुरागों के आधार पर, इसकी झूठ होने की कितनी संभावना है?"

समूह A (तथ्य-जांचकर्ता) कहता है: "यह नकली लग रहा है।"
समूह B (तर्क-जांचकर्ता) कहता है: "यह ठीक लग रहा है।"
समूह C (आत्मविश्वास-जांचकर्ता) कहता है: "यह संदिग्ध लग रहा है।"

4. अंतिम निर्णय (Log-Marginal Aggregation)

केवल उनके विचारों का औसत लेने के बजाय (जो कि सच्चाई को रद्द कर सकता है), FLaG उन्हें संयोजित करने के लिए एक विशेष गणितीय सूत्र का उपयोग करता है।

उपमा: इसे एक जूरी की तरह सोचें। यदि एक भी विशेषज्ञ कहता है, "मैं 99% आश्वस्त हूँ कि यह एक झूठ है क्योंकि मैं इस विशिष्ट पैटर्न को देख रहा हूँ," तो पूरी जूरी को बहुत सावधान रहना चाहिए। FLaG विचारों को इस तरह से तौलता है कि यदि कोई भी विशेषज्ञ झूठ के स्पष्ट पैटर्न को पहचान लेता है, तो अंतिम स्कोर उस खतरे को दर्शाता है।

यह बेहतर क्यों है?

यह लचीला है: क्योंकि यह एक एकल नियम पर निर्भर नहीं है, यह तब भी अच्छा काम करता है जब मॉडल बदलता है या विषय बदलता है। यह उन जासूसों की टीम की तरह है जो नए प्रकार के अपराधों के अनुकूल हो सकते हैं, न कि एक ऐसे रोबोट की तरह जो केवल एक विशिष्ट हथियार को पहचानने के लिए जाना जाता है।
इसे कम डेटा की आवश्यकता है: शोध पत्र दिखाता है कि FLaG तब भी अच्छा काम करता है जब आपके पास बहुत अधिक "लेबल वाला" डेटा (ऐसे उत्तर जहाँ हमें पहले से पता है कि वे सत्य हैं या असत्य) न हो। यह अपने आप विभिन्न "समूहों" को समझ सकता है।
यह तेज़ और हल्का है: इसे विशाल AI मॉडल को फिर से प्रशिक्षित करने की आवश्यकता नहीं है। यह मौजूदा मॉडल के ऊपर एक स्मार्ट "पोस्ट-इट नोट" प्रणाली जोड़ने जैसा है जो उसके काम की जाँच करती है, बिना यह बदले कि मॉडल कैसे सोचता है।

निष्कर्ष

शोध पत्र का दावा है कि यह स्वीकार करके कि "हैलुसिनेशन अव्यवस्थित होते हैं और कई रूपों में आते हैं," और एक ऐसी प्रणाली बनाकर जो उत्तरों को निर्णय लेने से पहले इन विभिन्न रूपों में वर्गीकृत कर सके, हमें AI में झूठ का पता लगाने का एक बहुत अधिक विश्वसनीय तरीका मिलता है। यह केवल यह पूछने से हटकर है कि "क्या यह उत्तर गलत है?" बल्कि यह पूछने की ओर बढ़ता है कि "यह किस प्रकार का गलत है, और क्या वह विशिष्ट प्रकार खतरनाक दिखता है?"

तकनीकी सारांश: FLaG – मतिभ्रम (Hallucination) का पता लगाने के लिए सूक्ष्म-स्तरीय विलुप्त समूहीकरण (Fine-Grained Latent Grouping)

1. समस्या का निरूपण (Problem Formulation)

लार्ज लैंग्वेज मॉडल्स (LLMs) अक्सर मतिभ्रम (hallucinations) उत्पन्न करते हैं—ऐसे आउटपुट जो प्रवाहपूर्ण तो होते हैं लेकिन तथ्यात्मक रूप से गलत होते हैं। इस कार्य में संबोधित मुख्य चुनौती यह है कि मतिभ्रम किसी एक, सजातीय विफलता मोड (homogeneous failure mode) से उत्पन्न नहीं होते हैं। इसके बजाय, वे विविध तंत्रों से उत्पन्न होते हैं जो प्रतिनिधित्व-स्तर के संकेतों (representation-level signals), टोकन-स्तर की संभाव्यता ट्रेस (token-level probability traces), और जनरेशन डायनेमिक्स में विषम पैटर्न के रूप में प्रकट होते हैं।

मौजूदा पहचान विधियाँ अक्सर एक एकल वैश्विक अनिश्चितता स्कोर या एक एकीकृत दृश्य पर प्रशिक्षित मोनोलिथिक क्लासिफायर पर निर्भर करती हैं। लेखक तर्क देते हैं कि ऐसे दृष्टिकोण अंतर्निहित रूप से मतिभ्रम की एक सजातीय धारणा को मानते हैं, जिससे डेटासेट शिफ्ट या परिवर्तनशील जनरेशन व्यवस्थाओं के सामने प्रदर्शन कमजोर हो जाता है। शोधपत्र यह प्रतिपादित करता है कि विश्वसनीय पहचान के लिए मतिभ्रम को केवल एक वर्गीकरण समस्या के रूप में नहीं, बल्कि विलुप्त तंत्र अनिश्चितता (latent mechanism uncertainty) के तहत एक साक्ष्य एकत्रीकरण समस्या के रूप में देखने की आवश्यकता है। लक्ष्य एक ऐसा विश्वसनीयता स्कोर सीखना है जो विषम साक्ष्य स्रोतों को एकत्रित कर सके और निर्णय थ्रेशोल्ड एवं मूल्यांकन मेट्रिक्स के प्रति अपरिवर्तनीय रहे।

2. कार्यप्रणाली: FLaG ढांचा (Methodology: FLaG Framework)

प्रस्तावित FLaG (Fine-Grained Latent Grouping) ढांचा एक हल्का, फ्रोजन-मॉडल हेड है जिसके लिए अंतर्निहित LLM में किसी संशोधन की आवश्यकता नहीं है। यह तीन प्राथमिक चरणों के माध्यम से कार्य करता है:

2.1 बहु-दृष्टिकोण साक्ष्य प्रतिनिधित्व (Multi-View Evidence Representation)

FLaG एक प्रॉम्प्ट $q$ और उत्पन्न आउटपुट $a$ के संबंध में दो अलग-अलग स्रोतों से पूरक साक्ष्य निकालता है:

विलुप्त ज्यामिति संकेत ( $\psi(x)$ ): संयोजित अनुक्रम $q \oplus a$ को फ्रोजन LLM में वापस फीड किया जाता है। ढांचा प्रॉम्प्ट के लिए मीन-पूलिंग हिडन स्टेट्स ( $\bar{h}_q$ ) और आउटपुट के लिए ( $\bar{h}_a$ ), साथ ही रेसिडुअल ड्रिफ्ट ( $\bar{h}_a - \bar{h}_q$ ) और अंतिम टोकन के हिडन स्टेट ( $h_{end}$ ) की गणना करता है। यह सिमेंटिक ड्रिफ्ट और पूर्ण समन्वय जानकारी को कैप्चर करता है।
संभाव्यता ट्रेस संकेत ( $\phi(x)$ ): टोकन-स्तर के लॉग-प्रोबेबिलिटीज़ से एक सेट ट्रेस फंक्शनल्स निकाला जाता है, जिसमें लॉग-प्रोब्स का माध्य (mean), न्यूनतम (minimum), और मानक विचलन (standard deviation), प्रेडिक्टिव एंट्रॉपी, लॉजिट मार्जिन, और लो-प्रोबेबिलिटी आउटलेर्स को गिनने वाला टेल-फ्रीक्वेंसी फंक्शनल शामिल है।

इन दोनों साक्ष्य प्रकारों को एक साझा विलुप्त स्थान (shared latent space) में प्रोजेक्ट किया जाता है और एक एकीकृत प्रतिनिधित्व $r(x)$ बनाने के लिए MLP के माध्यम से फ्यूज किया जाता है।

2.2 समूह-जागरूक साक्ष्य तर्क (Group-Aware Evidential Reasoning)

$r(x)$ को सीधे स्कोर में मैप करने के बजाय, FLaG $K$ विलुप्त साक्ष्य समूहों (latent evidence groups) को पेश करता है, जिनमें से प्रत्येक एक विशिष्ट मतिभ्रम तंत्र का प्रतिनिधित्व करता है।

प्रोटोटाइप-आधारित आवंटन: प्रत्येक समूह $g$ को एक सीखने योग्य प्रोटोटाइप वेक्टर $c_g$ द्वारा परिभाषित किया जाता है। एक एनर्जी-आधारित रूटिंग तंत्र साक्ष्य $r(x)$ और प्रोटोटाइप $c_g$ के बीच अनुकूलता $\alpha_g(x)$ की गणना करता है।
सॉफ्ट रूटिंग (Soft Routing): रूटिंग वितरण $\pi_g(x)$ की गणना तापमान पैरामीटर $\tau$ के साथ बोल्ट्ज़मैन फॉर्म का उपयोग करके की जाती है, जिससे इंस्टेंस को कई समूहों के साथ सॉफ्टली जोड़ा जा सकता है। यह वितरण एक विशिष्ट विलुप्त तंत्र के प्रति इंस्टेंस के होने का एक अनुमानित पोस्टीरियर (approximate posterior) के रूप में कार्य करता है।
समूह-सशर्त स्कोरिंग (Group-Conditional Scoring): प्रत्येक समूह $g$ के साथ एक संबद्ध रैखिक स्कोरिंग फंक्शन $s_g(x) = w_g^T r(x) + b_g$ होता है। विभिन्न समूहों को साक्ष्य के विभिन्न आयामों पर जोर देने के लिए प्रशिक्षित किया जाता है, जो विशिष्ट विफलता मोड को दर्शाता है।

2.3 लॉग-मार्जिनल साक्ष्य एकत्रीकरण (Log-Marginal Evidence Aggregation)

अंतिम सत्यता स्कोर $s(x)$ को एक लॉग-मार्जिनल एकत्रीकरण नियम के माध्यम से समूह-सशर्त संकेतों को एकत्रित करके प्राप्त किया जाता है:
$s(x) = \log \sum_{g=1}^{K} \pi_g(x) e^{s_g(x)}$
यह सूत्रीकरण प्रतिस्पर्धी विल-विलप तंत्रों के प्रति प्रतिबद्ध होने के बजाय, प्रतिस्पर्धी विलुप्त तंत्रों के ऊपर मार्जलिज़ (marginalize) करने का प्रभावी ढंग से कार्य करता है। अंतिम बाइनरी भविष्यवाणी $s(x)$ को थ्रेशोल्डिंग (जैसे, $G(x) = \mathbb{I}[s(x) \geq 0]$ ) द्वारा की जाती है।

2.4 शिक्षण उद्देश्य (Learning Objective)

ढांचा सुपरवाइज्ड, वीकली सुपरवाइज्ड और सेमी-सुपरवाइज्ड लर्निंग का समर्थन करता है:

सुपरवाइज्ड ऑब्जेक्टिव: एक मार्जिन-आधारित रैंकिंग लॉस लेबल किए गए जोड़ों के भीतर सत्यपूर्ण इंस्टेंस को उच्च स्कोर प्राप्त करने के लिए प्रोत्साहित करता है।
सेमी-सुपरवाइज्ड ऑब्जेक्टिव: अनलेबल डेटा के लिए, मॉडल प्रत्येक समूह के लिए उच्च-विश्वास वाले इंस्टेंस की पहचान करता है और उन समूहों के भीतर एक सुसंगत सापेक्ष क्रम लागू करता है। यह स्पष्ट छद्म-लेबल (pseudo-labels) की आवश्यकता के बिना विलुप्त समूह संरचना को परिष्कृत करता है।

3. सैद्धांतिक विश्लेषण (Theoretical Analysis)

शोधपत्र FLaG को इष्टतम परिकल्पना परीक्षण (optimal hypothesis testing) से जोड़ते हुए एक सैद्धांतिक औचित्य प्रदान करता है।

बायेस-इष्टतम सांख्यिकी (Bayes-Optimal Statistic): मिश्रण-ऑफ-मैकेनिज्म मॉडल के तहत जहाँ डेटा समूहों के मिश्रण से उत्पन्न होता है, लेखक सिद्ध करते हैं कि सत्यता का पता लगाने के लिए बायेस-इष्टतम लॉग-लाइक्लीहुड रेशियो (LLR) अनिवार्य रूप से तंत्र-सशर्त साक्ष्य पर लॉग-मार्जिनल रूप लेता है।
अनुमान (Approximation): दिखाया गया है कि FLaG इस इष्टतम सांख्यिकी का एक सुलभ, सीखने योग्य अनुमान है। रूटिंग वितरण $\pi_g(x)$ अगम्य (intractable) पोस्टीरियर का अनुमान लगाता है, और समूह स्कोर $s_g(x)$ समूह-वार लॉग-लाइक्लीहुड रेशियो का अनुमान लगाते हैं।
त्रुटि सीमा (Error Bound): लेखक प्रदर्शित करते हैं कि जैसे-जैसे विलुप्त समूहों की संख्या $K$ बढ़ती है, बायेस-इष्टतम सांख्यिकी के प्रति अनुमान त्रुटि बहुपद रूप से ( $O(K^{-1/d})$ ) घटती है, जो एक नियंत्रणीय त्रुटि सीमा प्रदान करती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

दो LLM बैकबोन (LLaMA-3-8B-Instruct और Qwen2.5-7B-Instruct) का उपयोग करके चार बेंचमार्क (TruthfulQA, TriviaQA, CoQA, TyDiQA-GP) पर प्रयोग किए गए।

प्रदर्शन: FLaG स्टेट-ऑफ-द-आर्ट (SOTA) प्रदर्शन प्राप्त करता है, जो 17 बेसलाइन्स (Semantic Entropy जैसे ट्रेनिंग-फ्री तरीकों और SAPLMA एवं HaloScope जैसे ट्रेनिंग-आधारित प्रोब्स सहित) को पछाड़ देता है। पूर्ण पर्यवेक्षण (full supervision) के तहत, FLaG ने दोनों बैकबोन पर सर्वश्रेष्ठ बेसलाइन्स पर AUROC में 3.03% और 3.60% का सुधार किया।
सेमी-सुपरवाइज्ड मजबूती: केवल 20% लेबल किए गए डेटा के साथ भी, FLaG अधिकांश पूर्णतः सुपरवाइज्ड प्रतिस्पर्धियों से बेहतर प्रदर्शन करता है, जो सीमित पर्यवेक्षण के तहत प्रभावशीलता प्रदर्शित करता है।
स्थानांतरणीयता (Transferability): मॉडल ने मजबूत क्रॉस-डेटासेट और क्रॉस-मॉडल स्थानांतरणीयता दिखाई। एक डेटासेट या मॉडल बैकबोन पर प्रशिक्षित डिटेक्टरों ने अनदेखे लक्ष्यों पर लागू होने पर उच्च AUROC स्कोर बनाए रखा, जो यह सुझाव देता है कि सीखे गए संकेत डेटासेट-विशिष्ट आर्टिफैक्ट्स के बजाय अंतर्निहित जनरेशन विफलताओं को कैप्चर करते हैं।
मजबूती: प्रदर्शन विभिन्न इंस्टेंस जटिलताओं (लंबाई) और सैंपलिंग टेम्परेचरों के बीच स्थिर रहा, जो शोर और विविध जनरेशन व्यवस्थाओं के प्रति लचीलापन दर्शाता है।
व्याख्यात्मकता (Interpretability): विलुप्त समूहों के विश्लेषण ने खुलासा किया कि उन्होंने मतिभ्रम को स्पष्ट श्रेणी पर्यवेक्षण के बिना स्वाभाविक रूप से सुसंगत श्रेणियों (जैसे, तथ्य निर्माण, तार्किक विरोधाभास, एंटिटी मिसमैच) में विभाजित किया।

5. प्रमुख योगदान (Key Contributions)

निरूपण: शोधपत्र मतिभ्रम पहचान को एक तंत्र-जागरूक साक्ष्य एकत्रीकरण समस्या के रूप में पुनर्गठित करता है, जो विषम विलुप्त विफलता मोडों को ध्यान में रखते हुए प्रतिनिधित्व-स्तर और टोकन-स्तर के संकेतों को एकीकृत करता है।
ढांचा (FLaG): यह एक हल्का, फ्रोजन-मॉडल डिटेक्शन हेड प्रस्तावित करता है जो विलुप्त समूहों के लिए सॉफ्ट रूटिंग और थ्रेशोल्ड-असंवेदनशील रैंकिंग प्राप्त करने के लिए सिद्धांतवादी लॉग-मार्जिनल एकत्रीकरण का उपयोग करता है।
सिद्धांत और शिक्षण: यह एक नियंत्रणीय त्रुटि सीमा के साथ बायेस-इष्टतम लॉग-मार्जिनल सांख्यिकी के साथ एक सैद्धांतिक संबंध प्रदान करता है और एक रैंकिंग-आधारित उद्देश्य पेश करता है जो स्वाभाविक रूप से सेमी-सुपरवाइज्ड सेटिंग्स तक विस्तृत होता है।

6. महत्व और सीमाएं (Significance and Limitations)

महत्व: यह कार्य तर्क देता है कि FLaG का बेहतर प्रदर्शन मतिभ्रम तंत्रों की विषमता को स्पष्ट रूप से मॉडल करने से आता है। साक्ष्य को एकल क्लासिफायर में समेटने के बजाय कई विलुप्त स्पष्टीकरणों पर मार्जलिज़ करके, ढांचा डेटासेट, मॉडल और पर्यवेक्षण स्तरों में मजबूती प्राप्त करता है।

सीमाएं:

ब्लैक-बॉक्स बाधा: FLaG आंतरिक जनरेशन टेलीमेट्री (हिडन स्टेट्स और टोकन-स्तर के सांख्यिकी) पर निर्भर करता है। यह कड़ाई से ब्लैक-बॉक्स सेटिंग्स में लागू नहीं है जहाँ केवल अंतिम टेक्स्ट आउटपुट ही दृश्यमान होता है।
सैद्धांतिक दायरा: बायेस-इष्टतम एकत्रीकरण के साथ सैद्धांतिक संबंध मिश्रण-ऑफ-मैकेनिज्म दृष्टिकोण के तहत स्थापित किया गया है। लेखक नोट करते हैं कि अधिक मजबूत वितरण बदलावों या साक्ष्य दृश्यों के बीच अधिक संरचित निर्भरताओं वाले सेटिंग्स में इस विश्लेषण को विस्तारित करना एक खुला विषय बना हुआ है।