📊 statistics

The Representational Limit of Scalar Interactions: An Interventional Decomposition

यह शोध पत्र 'स्टोकेस्टिक हाय-फाई' (Stochastic Hi-Fi) प्रस्तुत करता है, जो एक पोस्ट-हॉक, रिट्रेनिंग-मुक्त विधि है जो स्केलर इंटरेक्शन स्कोर में विशिष्टता (uniqueness), अतिरेक (redundancy) और तालमेल (synergy) के मौलिक सम्मिश्रण को हल करती है, एक हस्तक्षेप संबंधी अपघटन (interventional decomposition) प्रदान करके जो विविध डेटासेटों में जटिल कारण संरचनाओं (causal structures) को सटीक रूप से पुनर्प्राप्त करता है और व्याख्यात्मकता मेट्रिक्स में सुधार करता है।

मूल लेखक: Potito Aghilar, Sabino Roccotelli, Stanislao Fidanza, Vito Walter Anelli, Sebastiano Stramaglia, Tommaso Di Noia

प्रकाशित 2026-06-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Potito Aghilar, Sabino Roccotelli, Stanislao Fidanza, Vito Walter Anelli, Sebastiano Stramaglia, Tommaso Di Noia

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

यहाँ "The Representational Limit of Scalar Interactions: An Interventional Decomposition" पेपर का सरल भाषा और रचनात्मक उपमाओं के साथ विवरण दिया गया है।

बड़ी समस्या: "एक-नंबर" का जाल (The "One-Number" Trap)

कल्पना कीजिए कि आप यह समझने की कोशिश कर रहे हैं कि तीन लोगों की एक टीम (मान लीजिए एलिस, बॉब और चार्ली) एक पहेली को कैसे सुलझाती है।

अद्वितीय (Unique): एलिस के पास एक विशेष उपकरण है जो किसी और के पास नहीं है।
अतिरेक (Redundant): एलिस और बॉब दोनों के पास एक ही उपकरण है; यदि एक गायब हो जाए, तो दूसरा काम कर सकता है।
सहक्रियात्मक (Synergistic): पहेली तब तक असंभव है जब तक एलिस, बॉब और चार्ली एक विशिष्ट तरीके से मिलकर काम नहीं करते; कोई भी दो लोग इसे अकेले हल नहीं कर सकते।

वर्तमान AI स्पष्टीकरण उपकरण (जैसे SHAP या LIME) इस टीम वर्क को समझाने के लिए हर जोड़ी को एक एकल नंबर (single number) देने की कोशिश करते हैं (जैसे, "एलिस और बॉब का स्कोर +0.5 है")। वे इस नंबर को "सिनर्जी" स्कोर मानते हैं यदि यह सकारात्मक है, या "रिडंडेंसी" मानते हैं यदि यह नकारात्मक है।

पेपर की खोज: लेखकों ने सिद्ध किया है कि जटिल टीम वर्क के लिए यह "एक-नंबर" वाला दृष्टिकोण मौलिक रूप से त्रुटिपूर्ण है।

उपमा: कल्पना कीजिए कि आप एक 3D वस्तु (जैसे एक घन/cube) को केवल एक सपाट दीवार पर उसकी छाया देखकर समझने की कोशिश कर रहे हैं। आप जानकारी खो देते हैं। इसी तरह, तीन अलग-अलग प्रकार के टीम वर्क (Unique, Redundant, Synergistic) को एक एकल नंबर में समेटने की कोशिश करने से वह टूल या तो सिनर्जी को मिटा (erase) देता है (शून्य दिखाकर) या उसे विकृत (distort) कर देता है (एक नकली, छोटा नंबर दिखाकर)।
प्रमाण: उन्होंने इसका परीक्षण "3-way XOR" पहेली (एक लॉजिक गेम जहाँ उत्तर इस पर निर्भर करता है कि तीनों इनपुट मिलकर काम करें) पर किया। उन्होंने दिखाया कि मानक उपकरण या तो कहते थे कि "एलिस और बॉब कुछ नहीं कर रहे हैं" (शून्य) या उन्हें एक छोटा, भ्रामक स्कोर देते थे, जिससे वे इस तथ्य को पूरी तरह से मिस कर देते थे कि असली नायक वे तीनों थे।

समाधान: स्टोकेस्टिक हाई-फाई (Stochastic Hi-Fi)

इसे ठीक करने के लिए, लेखकों ने Stochastic Hi-Fi नामक एक नया टूल बनाया। हर फीचर के लिए केवल यह पूछने के बजाय कि, "एलिस और बॉब का स्कोर क्या है?", यह तीन अलग-अलग प्रश्न पूछता है:

अद्वितीय (Unique - U): यह फीचर अपने आप में या सबसे खराब स्थिति में कितनी वैल्यू प्रदान करता है?
अतिरेक (Redundant - R): यह किसी दूसरे के बैकअप के रूप में कितनी वैल्यू प्रदान करता है?
सहक्रियात्मक (Synergistic - S): यह केवल दूसरों के साथ मिलकर काम करने पर कितनी वैल्यू प्रदान करता है?

यह कैसे काम करता है (द "मास्किंग" मेटाफर):
कल्पना कीजिए कि आप एक ब्लैक बॉक्स मशीन का ऑडिट कर रहे हैं जो मौसम की भविष्यवाणी करती है।

पुराना तरीका: आप मशीन को कुछ सेंसरों के साथ फिर से प्रशिक्षित (retrain) करने की कोशिश कर सकते हैं ताकि आप देख सकें कि वह क्या सीख सकती है। यह धीमा है और मशीन को बदल देता है।
Stochastic Hi-Fi तरीका: आप मशीन को बिल्कुल वैसा ही रखते हैं जैसा वह है। आप मौसम का एक स्नैपशॉट लेते हैं, फिर कुछ सेंसरों को मास्क (छिपा) देते हैं और छूटे हुए डेटा को रैंडम "बैकग्राउंड" मौसम पैटर्न से भर देते हैं। आप देखते हैं कि भविष्यवाणी कितनी खराब हो जाती है।
इसे हजारों बार अलग-अलग छिपे हुए सेंसरों के संयोजनों के साथ करके, वे एक "शब्दावली" (vocabulary) बनाते हैं कि मशीन कैसे व्यवहार करती है। वे मॉडल को फिर से प्रशिक्षित नहीं करते; वे बस उसे उकसाते (poke) हैं यह देखने के लिए कि वह कैसे प्रतिक्रिया देता है।

"डायमंड" ट्रिक (समय की बचत)

इन सभी संयोजनों की गणना करना आमतौर पर बहुत धीमा होता है। इसे तेज करने के लिए, लेखकों ने एक "डायमंड सैंपलिंग" ट्रिक का आविष्कार किया।

उपमा: कल्पना कीजिए कि आप एक डायमंड आकार में खड़े चार दोस्तों की ऊंचाई के अंतर को मापना चाहते हैं। यदि आप प्रत्येक व्यक्ति की ऊंचाई को एक अलग, डगमगाते हुए रूलर से मापते हैं, तो आपकी अंतिम गणना बहुत शोर भरी (noisy) होगी।
समाधान: Stochastic Hi-Fi उन चारों दोस्तों को एक ही समय में और एक ही रूलर (एक ही बैकग्राउंड डेटा) का उपयोग करके मापता है। क्योंकि "डगमगाहट" (शोर) सभी चार के लिए समान है, इसलिए तुलना करने पर यह आपस में कट जाती है। यह माप को बहुत सटीक और तेज़ बनाता है।

उन्होंने क्या पाया (परिणाम)

लेखकों ने इस नए टूल का तीन अलग-अलग "दुनियाओं" में परीक्षण किया:

लॉजिक की दुनिया (Tabular Data):
- उन्होंने ऊपर बताई गई 3-way XOR पहेली का उपयोग किया।
- परिणाम: पुराने टूल्स पूरी तरह विफल रहे, शून्य या बहुत छोटे नंबर दिए। Stochastic Hi-Fi ने सही ढंग से पहचाना कि तीनों फीचर्स एक सहक्रियात्मक (Synergistic) तरीके से काम कर रहे थे, और इसने पुराने टूल्स की तुलना में सिग्नल को 411 गुना बेहतर तरीके से रिकवर किया।
मेडिकल की दुनिया (Chest X-Rays):
- उन्होंने देखा कि एक AI छाती के एक्स-रे से हृदय संबंधी समस्याओं का निदान कैसे करता है।
- परिणाम: नया टूल यह पहचानने में बहुत अच्छा था कि इमेज के कौन से हिस्से कारण संबंधी रूप से महत्वपूर्ण (causally important) थे (यदि आप उस हिस्से को हटा देते हैं, तो AI भ्रमित हो जाता है)। हालाँकि, क्योंकि उन्होंने एक "कोर्स ग्रिड" (पिक्सेल के बजाय बड़े ब्लॉक्स) का उपयोग किया था, इसलिए यह व्यक्तिगत पिक्सेल स्थान को सटीक रूप से बताने में मानक उपकरणों जितना अच्छा नहीं था।
- मुख्य निष्कर्ष: इसने पिनपॉइंट सटीकता के बदले एक मजबूत समझ (कि AI ने निर्णय क्यों लिया) को चुना।
भाषा की दुनिया (GPT-2):
- उन्होंने देखा कि एक लैंग्वेज मॉडल (GPT-2) वाक्य में "इनडायरेक्ट ऑब्जेक्ट" (जैसे, "जॉन ने मैरी को किताब दी") को कैसे ढूंढता है।
- परिणाम: मानक उपकरण एक समय में एक "अटेंशन हेड" (दिमाग का एक हिस्सा) को देखते हैं। Stochastic Hi-Fi ने पाया कि कुछ हेड्स अकेले अदृश्य होते हैं लेकिन दूसरों के साथ जुड़ने पर बहुत शक्तिशाली हो जाते हैं। इसने सफलतापूर्वक "बैकअप" हेड्स (रिडंडेंट) को "टीमवर्क" हेड्स (सिनर्जिस्टिक) से अलग किया, जिससे एक छिपा हुआ सर्किट स्ट्रक्चर सामने आया जिसे अन्य लोग मिस कर गए थे।

सारांश

समस्या: वर्तमान AI स्पष्ट करने वाले (explainers) जटिल टीम वर्क को एक एकल नंबर में बदलने की कोशिश करते हैं, जो सच्चाई को छुपा देता है।
समाधान: Stochastic Hi-Fi स्पष्टीकरण को तीन स्पष्ट श्रेणियों में तोड़ देता है: अद्वितीय (Unique), अतिरेक (Redundant), और सहक्रियात्मक (Synergistic)।
विधि: यह इनपुट के हिस्सों को छिपाकर और यह देखकर कि AI कैसे प्रतिक्रिया देता है, AI का परीक्षण करता है, बिना AI को फिर से प्रशिक्षित किए।
लाभ: यह फीचर्स के बीच छिपे "टीमवर्क" को प्रकट करता है जिसे अन्य उपकरण पूरी तरह से मिस कर देते हैं, जिससे यह पता चलता है कि AI मॉडल वास्तव में कैसे सोचते हैं।

तकनीकी सारांश: स्केलर इंटरैक्शन की प्रतिनिधित्व क्षमता की सीमा (The Representational Limit of Scalar Interactions)

1. समस्या विवरण (Problem Statement)

यह शोध पत्र एक्सप्लेनेबल एआई (XAI) में एक मौलिक सीमा को संबोधित करता है कि डीप न्यूरल नेटवर्क में फीचर सहयोग (feature cooperation) को कैसे मापा जाता है। वर्तमान प्रतिमान (paradigms) साइन वाले पेयरवाइज इंटरैक्शन स्कोर (जैसे, Shapley Interaction Index, Faith-SHAP) पर निर्भर करते हैं जो फीचर डिपेंडेंसी को समझाने के लिए उपयोग किए जाते हैं। ये विधियाँ दो फीचर्स के जोड़े को एक एकल स्केलर मान प्रदान करती हैं, जहाँ धनात्मक (positive) मानों को सिनर्जी (synergy) और ऋणात्मक (negative) मानों को रिडंडेंसी (redundancy) के रूप में व्याख्यायित किया जाता है।

लेखकों का तर्क है कि यह स्केलर दृष्टिकोण मौलिक रूप से त्रुटिपूर्ण है क्योंकि यह तीन अलग-अलग सहकारी तंत्रों को मिला देता है:

विशिष्टता (Uniqueness - U): वह प्रेडिक्टिव वैल्यू जो एक फीचर प्रदान करता है जिसे कोई अन्य फीचर नहीं दे सकता।
रिडंडेंसी (Redundancy - R): वह प्रेडिक्टिव वैल्यू जो कई फीचर्स के बीच साझा की जाती है।
सिनर्जी (Synergy - S): वह प्रेडिक्टिव वैल्यू जो केवल फीचर्स के संयोजन से उभरती है, जो उनके व्यक्तिगत योगदान के योग से अधिक होती है।

मुख्य समस्या यह है कि एक एकल स्केलर इन तीन ऑर्थोगोनल आयामों को एक साथ एनकोड नहीं कर सकता है। शोध पत्र न्यूनतम उच्च-क्रम (higher-order) स्ट्रक्चरल कॉज़ल मॉडल्स (SCMs), विशेष रूप से 3-वे XOR पर सिद्ध करता है कि 'फेथफुल इंडेक्स' (faithful indices) शून्य लौटाते हैं (सिग्नल को मिटा देते हैं), जबकि 'प्रोजेक्टिव इंडेक्स' (projective indices) उच्च-क्रम सिग्नल को स्प्यूरियस लोअर-ऑर्डर गुणांकों में पुनर्वितरित कर देते हैं, जिससे वे अंतर्निहित तंत्र को पहचानने में विफल रहते हैं।

2. कार्यप्रणाली: स्टोकेस्टिक Hi-Fi (Methodology: Stochastic Hi-Fi)

इस प्रतिनिधित्व संबंधी बाधा को हल करने के लिए, लेखक Stochastic Hi-Fi पेश करते हैं, जो एक पोस्ट-हॉक, रिट्रेनिंग-मुक्त एस्टिमेटर है जो फीचर महत्व को प्रति-फीचर U/R/S प्रोफाइल में विघटित करता है।

मुख्य परिचालन परिवर्तन (Core Operational Shift)

उन विधियों के विपरीत जो फीचर सबसेट्स पर मॉडल को फिर से प्रशिक्षित करने पर निर्भर करती हैं (जो यह बताती हैं कि एक मॉडल क्या सीख सकता है) या ऑब्जर्वेशनल वेरिएंस डिकम्पोज़िशन (जो हस्तक्षेप के बिना सिनर्जी और रिडंडेंसी के बीच अंतर नहीं कर सकते), Stochastic Hi-Fi इंटरवेंशनल मास्कड इन्फरेंस (interventional masked inference) का उपयोग करता है।

इंटरवेंशनल लॉस (Interventional Loss): एक फीचर कोलिशन $S$ के लिए, विधि $S$ में मौजूद फीचर्स को मास्क करके और उन्हें बैकग्राउंड डिस्ट्रीब्यूशन $p_{bg}$ (निष्क्रिय फीचर्स का मार्जिनल) से सैंपल बदलकर अपेक्षित लॉस $L(S)$ की गणना करती है। यह ऑडिट करता है कि तैनात (deployed) मॉडल वास्तव में क्या उपयोग करता है।
LOCO डिकम्पोज़िशन: विधि एक संदर्भ $C$ $C$ में फीचर $i$ $i$ के लिए 'लीव-वन-कोवैरिएट-आउट' (LOCO) गेन को $C$ $C$ में $i$ $i$ को जोड़ने पर होने वाली लॉस में कमी के रूप में परिभाषित करती है।
- विशिष्टता ( $U_i$ ): सभी संदर्भों में न्यूनतम LOCO गेन (सबसे प्रतिकूल संदर्भ में प्रेडिक्टिव वैल्यू)।
- फर्स्ट-ऑर्डर इफेक्ट ( $\pi_i$ ): एक खाली संदर्भ में LOCO गेन।
- अधिकतम प्रेडिक्टिव कैपेसिटी ( $L^{\max}_i$ ): सभी संदर्भों में अधिकतम LOCO गेन।
- रिडंडेंसी ( $R_i$ ) और सिनर्जी ( $S_i$ ): इन्हें बीजगणितीय रूप से $R_i = \pi_i - U_i$ और $S_i = L^{\max}_i - \pi_i$ के रूप में निकाला जाता है।

एस्टीमेशन रणनीति (Estimation Strategy)

सभी $2^n$ कोलिशन का मूल्यांकन करना अव्यवहारिक है। Stochastic Hi-Fi एक स्टोकेस्टिक वोकैबुलरी दृष्टिकोण अपनाता है:

कोलिशन वोकैबुलरी: यह देखे गए कोलिशन की एक तालिका बनाए रखता है, जो ऑनलाइन Welford's एल्गोरिदम का उपयोग करके उनके औसत लॉस और वेरिएंस का अनुमान लगाता है।
एक्सप्लोरेशन पॉलिसी: एक $\epsilon$ -greedy रणनीति जिसमें सॉफ्टमिन (softmin) टर्म शामिल है, कम-सैंपल किए गए कोलिशन को प्राथमिकता देती है जबकि यह सुनिश्चित करती है कि प्रत्येक कोलिशन के पास गैर-शून्य संभावना हो (पॉजिटिव-मास कंडीशन)।
डायमंड सैंपलिंग (Diamond Sampling): पेयरवाइज इंटरैक्शन (मिश्रित अंतर $\Delta_{ij}$ ) के अनुमान में वेरिएंस को कम करने के लिए, विधि एक ही बैकग्राउंड बैच का उपयोग करके चार संरचनात्मक रूप से आसन्न (adjacent) कोलिशन ( $C, C\cup\{i\}, C\cup\{j\}, C\cup\{i,j\}$ ) का मूल्यांकन करती है। यह "डायमंड" कपलिंग आसन्न कोलिशन के बीच पॉजिटिव कोवेरिएंस का लाभ उठाती है ताकि शोर (noise) को रद्द किया जा सके, बशर्ते कि एक एडजेसेंसी-डोमिनेंस कोवेरिएंस स्थिति बनी रहे।

3. मुख्य योगदान (Key Contributions)

1. कन्फ़्लेशन थ्योरम (Theorectical)

लेखक थ्योरम 1 सिद्ध करते हैं, जो दर्शाता है कि एक न्यूनतम 3-वे XOR SCM पर, कोई भी स्केलर इंडेक्स संयुक्त रूप से U, R और S का प्रतिनिधित्व नहीं कर सकता।

फेथफुल इंडेक्स (जैसे, Shapley-Taylor) सभी जोड़ों के लिए ठीक शून्य लौटाते हैं, जिससे उच्च-क्रम सिग्नल मिट जाता है।
प्रोजेक्टिव इंडेक्स (जैसे, मानक SII) ट्रिपलेट प्रभाव को $\pm 1/4$ के परिमाण वाले स्प्यूरियस पेयर गुणांकों में पुनर्वितरित कर देते हैं।
निष्कर्ष: विफलता प्रतिनिधित्व संबंधी है, न कि कम्प्यूटेशनल। आउटपुट स्पेस को स्केलर से वेक्टर (U, R, S) में बदलना होगा।

2. Stochastic Hi-Fi एस्टिमेटर (Methodological)

यह शोध पत्र एक रिट्रेनिंग-मुक्त एस्टिमेटर पेश करता है जिसमें कठोर सांख्यिकीय गारंटी है:

इंटरवेंशनल सिमेंटिक्स: यह रिट्रेनिंग के बजाय मास्कड इन्फरेंस के माध्यम से तैनात मॉडल्स का ऑडिट करता है।
फाइनाइट-सैंपल बाउंड्स: यह कोलिशन लॉस के मोंटे कार्लो एप्रोक्सिमेशन के लिए Hoeffding-शैली के कंसंट्रेशन बाउंड्स प्रदान करता है।
वेरिएंस रिडक्शन: यह सिद्ध करता है कि "डायमंड" सैंपलिंग विशिष्ट कोवेरिएंस स्थितियों के तहत स्वतंत्र सैंपलिंग की तुलना में वेरिएंस को सख्ती से कम करती है (थ्योरम 3)।
कन्वर्जेंस: यह एक सीमित वोकैबुलरी पर U/R/S प्रोफाइल के लिए यूनिफॉर्म कन्वर्जेंस गारंटी स्थापित करता है।

3. अनुभवजन्य सत्यापन (Empirical Validation)

विधि को तीन अलग-अलग डोमेन में मान्य किया गया है:

टेबुलर SCMs: Stochastic Hi-Fi, XOR और AND-OR मॉडल्स के वास्तविक U/R/S स्ट्रक्चर को रिकवर करता है, जबकि स्केलर बेसलाइन्स तंत्रों के बीच अंतर करने में विफल रहते हैं (बेसलाइन्स की तुलना में रिकवरी रेश्यो 411 $\times$ तक अधिक है)।
ट्रांसफॉर्मर सर्किट्स (GPT-2): इसे IOI सर्किट पर लागू किया गया, जो रेडंडेंट बैकअप हेड्स और सिनर्जिस्टिक हेड पेयर्स को अलग करता है। यह उन हेड्स की पहचान करता है जो फर्स्ट-ऑर्डर एक्टिवेशन पेट्रिंग में अदृश्य होते हैं (कम सिंगलटन इफेक्ट) लेकिन पर्याप्त पेयर-लेवल सिनर्जी रखते हैं।
मेडिकल इमेजिंग (ChestX-ray14): एक DenseNet121 मॉडल पर, यह पॉइंटिंग गेम (लोकलाइजेशन) पर GradCAM के बराबर प्रदर्शन करता है, लेकिन डिलीशन AUC (कॉज़ल फेथफुलनेस) पर काफी बेहतर प्रदर्शन करता है, जो दर्शाता है कि मोटे-ग्रिड (coarse-grid) U/R/S प्रोफाइल मानक सैलियंसी मैप्स की तुलना में कॉज़ल फिडेलिटी को बेहतर ढंग से संरक्षित करते हैं।

4. परिणाम और दावे (Results and Claims)

प्रदर्शन मेट्रिक्स (Performance Metrics)

SCMs: 3-वे XOR पर, स्केलर बेसलाइन्स विभिन्न भूमिकाओं को 411 $\times$ तक के अनुपात में मिला देते हैं। Stochastic Hi-Fi सक्रिय फीचर्स के लिए सही सिनर्जी-डोमिनेटेड प्रोफाइल को रिकवर करता है और स्पेक्टेटर फीचर को अलग करता है।
GPT-2 IOI: डिकम्पोज़िशन यह प्रकट करता है कि विदिन-रोल पेयर्स (जैसे, S-Inhibition हेड्स) रेडंडेंसी-डोमिनेटेड हैं, जबकि क्रॉस-रोल पेयर्स (जैसे, Induction + S-Inhibition) सिनर्जी-डोमिनेटेड हैं। यह उन हेड्स की सफलतापूर्वक पहचान करता है जिनमें नेगेटिव यूनिकनेस (बैकअप व्यवहार का संकेत) और कम फर्स्ट-ऑर्डर स्कोर के बावजूद उच्च सिनर्जी होती है।
ChestX-ray14:
- लोकलाइजेशन: पॉइंटिंग गेम सटीकता, GradCAM के साथ सांख्यिकीय रूप से अविभेद्य है ( $p=0.140$ )। IoU@15 में एक छोटा लेकिन महत्वपूर्ण घाटा दिखता है, जिसका कारण $14\times14$ ग्रिड है।
- कॉज़ल फेथफुलनेस: डिलीशन AUC, 0.332 (GradCAM) से सुधरकर 0.269 ( $p=1.61 \times 10^{-78}$ ) हो जाता है, जो उन फीचर्स की पहचान करने में बेहतर प्रदर्शन को दर्शाता है जिन्हें हटाने से मॉडल का प्रदर्शन गिर जाता है।

महत्व और दायरा (Significance and Scope)

शोध पत्र दावा करता है कि साइन वाला पेयरवाइज इंटरैक्शन एक उपयोगी प्रोजेक्शन है लेकिन सहयोग का पूर्ण स्पष्टीकरण नहीं है।

मैकेनिज्म डिसेंटेंग्लमेंट: प्राथमिक योगदान आउटपुट कोडोमेन को स्केलर से एक मैकेनिज्म-डिसेंटेंगल्ड प्रोफाइल (U, R, S) में बदलना है, जिससे शोधकर्ताओं को अद्वितीय, रेडंडेंट और सिनर्जिस्टिक योगदानों के बीच अंतर करने की अनुमति मिलती है।
मॉडल फिडेलिटी: रिट्रेनिंग से बचकर, यह एक काल्पनिक पुन: प्रशिक्षित मॉडल के बजाय विशिष्ट तैनात मॉडल का ऑडिट करता है।
सीमाएं: लेखक स्पष्ट रूप से नोट करते हैं कि जब वोकैबुलरी व्यापक नहीं होती है, तो यूनिकनेस अनुमान ( $U_i$ ) रूढ़िवादी ऊपरी सीमा (conservative upper bounds) होते हैं। इमेजिंग में, मोटे ग्रिड स्थानिक रिज़ॉल्यूशन के बदले कॉज़ल फेथफुलनेस का व्यापार करते हैं। विधि बैकग्राउंड डिस्ट्रीब्यूशन $p_{bg}$ के चयन पर निर्भर करती है, जो एस्टिमेंड (estimand) को परिभाषित करता है और इसके लिए स्पष्ट संवेदनशीलता रिपोर्टिंग की आवश्यकता होती है।

शोध पत्र निष्कर्ष निकालता है कि इंटरैक्शन स्पष्टीकरणों को केवल संकेतों (signs) को नहीं, बल्कि तंत्रों (mechanisms) को रिपोर्ट करना चाहिए, और Stochastic Hi-Fi सख्त इंटरवेंशनल सिमेंटिक्स के साथ ऐसा करने के लिए एक व्यावहारिक, पोस्ट-हॉक फ्रेमवर्क प्रदान करता है।