💬 NLP

Safe Inference-Time Alignment via Lagrangian Reward Augmentation

यह शोध पत्र लैग्रेंजियन रिवॉर्ड ऑग्मेंटेशन (LARA) का प्रस्ताव करता है, जो एक सामान्य इन्फरेंस-टाइम अलाइनमेंट फ्रेमवर्क है जो सुरक्षा बाधाओं को लागू करने के लिए एक ड्यूल वेरिएबल के माध्यम से संवर्धित रिवॉर्ड सिग्नल को गतिशील रूप से कैलिब्रेट करता है ताकि बिना रिट्रेनिंग के हेल्पफुलनेस-हारmlessness ट्रेडऑफ में सुधार किया जा सके और फाइनट्यूनिंग-आधारित विधियों के प्रदर्शन के करीब पहुँचा जा सके।

मूल लेखक: Yaswanth Chittepu, Ativ Joshi, Sohini Chintala, Scott Niekum

प्रकाशित 2026-07-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yaswanth Chittepu, Ativ Joshi, Sohini Chintala, Scott Niekum

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 "सेफ इन्फरेंस-टाइम अलाइनमेंट वाया लैग्रेंजियन रिवॉर्ड ऑग्मेंटेशन (LARA)" पेपर का सरल भाषा और रचनात्मक उपमाओं के साथ विवरण दिया गया है।

बड़ी समस्या: "मददगार लेकिन खतरनाक" रोबोट

कल्पना कीजिए कि आपके पास एक बहुत ही बुद्धिमान रोबोट सहायक (एक लार्ज लैंग्वेज मॉडल) है। आप चाहते हैं कि वह मददगार (अच्छे उत्तर दे) हो लेकिन साथ ही हानिरहित (खतरनाक सलाह न दे, जैसे बम कैसे बनाएं या गलत चिकित्सा सलाह देना) भी हो।

आमतौर पर, रोबोट को सुरक्षित बनाने के लिए, आपको उसे शुरू से फिर से प्रशिक्षित (retrain) करने के लिए वापस शुरुआती स्तर पर जाना पड़ता है। यह हर बार नियम बदलने पर एक छात्र को पुन: शिक्षित करने के लिए एक नए शिक्षक को काम पर रखने जैसा है। यह महंगा है, धीमा है, और इसके लिए बहुत अधिक डेटा की आवश्यकता होती है।

कुछ नए तरीके रोबोट को प्रशिक्षित किए बिना (इन्फरेंस के दौरान) उसे मार्गदर्शन देने की कोशिश करते हैं। लेकिन इन तरीकों में एक दोष है: वे आमतौर पर मानव ऑपरेटर को एक "जादुई नंबर" का अनुमान लगाने के लिए कहते हैं।

उदाहरण: "ठीक है, बुरे शब्दों के लिए 5 अंक की पेनल्टी जोड़ें।"
समस्या: यदि आप 5 चुनते हैं, तो रोबोट अभी भी खतरनाक हो सकता है। यदि आप 10 चुनते हैं, तो रोबोट उपयोगी कुछ भी कहने से डर सकता है। यह मानवीय अंतर्ज्ञान के बजाय "अनुमान और जांच" का एक खेल है।

समाधान: LARA (एक "स्मार्ट बजट" सिस्टम)

लेखकों ने LARA (लैग्रेंजियन रिवॉर्ड ऑग्मेंटेशन) नामक एक नया फ्रेमवर्क प्रस्तावित किया है। जादुई नंबर का अनुमान लगाने के बजाय, LARA एक गणितीय ट्रिक का उपयोग करता है ताकि मदद करने और सुरक्षित रहने के बीच का सटीक संतुलन निकाला जा सके।

इसे एक सख्त गैस बजट के साथ पारिवारिक रोड ट्रिप की तरह समझें।

1. सेटअप: कार और मैप

कार: फ्रीज किया हुआ लैंग्वेज मॉडल (रोबोट)। इसे पहले ही बनाया जा चुका है और हम इसके इंजन (वेट्स) को नहीं बदल रहे हैं।
मैप: "रिवॉर्ड मॉडल"। यह बताता है कि मंजिल (उपयोगिता/Helpfulness) तक पहुँचने के लिए कार कितनी तेज चल सकती है।
गैस गेज: "कॉस्ट मॉडल"। यह मापता है कि कितनी "खतरा" या "हानि" (Harmlessness) खर्च हो रही है।
बजट: आपके पास "खतरे" को खर्च करने की एक सख्त सीमा है (जैसे, "हम केवल 10 यूनिट खतरा खर्च कर सकते हैं")।

2. पुराना तरीका बनाम LARA का तरीका

पुराना तरीका (मैनुअल ट्यूनिंग): आप ड्राइवर को बताते हैं, "तेज चलो, लेकिन अगर तुम्हें लगे कि तुम बहुत ज्यादा गैस खर्च कर रहे हो, तो थोड़ा धीमा हो जाओ।" ड्राइवर को अनुमान लगाना पड़ता है कि कितना धीमा होना है। कभी-कभी वे बहुत तेज चलते हैं और गैस खत्म हो जाती है (असुरक्षित)। कभी-कभी वे बहुत धीरे चलते हैं और कभी वहां पहुँच ही नहीं पाते (कम उपयोगी)।
LARA का तरीका (डुअल वेरिएबल): LARA एक स्मार्ट GPS कैलकुलेटर की तरह काम करता है। यात्रा शुरू करने से पहले, यह सड़क के एक छोटे नमूने (कैलिब्रेशन सेट) को देखता है और बजट के भीतर रहने के लिए गैस की सटीक कीमत की गणना करता है।
- यह एक एकल संख्या (जिसे $\lambda$ या "लैम्ब्डा" कहा जाता है) पाता है।
- यह संख्या सुरक्षा की "शैडो प्राइस" (Shadow Price) का प्रतिनिधित्व करती है। यह कार को बताती है: "हर एक यूनिट खतरे के लिए, आप X मात्रा में उपयोगिता खो देते हैं।"
- कार फिर एक नए नियम के साथ चलती है: उपयोगिता घटा (लैम्ब्डा $\times$ खतरा)।

3. यह कैसे काम करता है ("कैलिब्रेशन" चरण)

LARA को पूरे रोबोट को फिर से प्रशिक्षित करने की आवश्यकता नहीं है। इसे बस एक छोटा "टेस्ट ड्राइव" (कैलिब्रेशन सेट) चाहिए।

यह कुछ नमूना उत्तर उत्पन्न करता है।
यह जाँचता है कि वे कितने "उपयोगी" और कितने "जोखिम भरे" हैं।
यह एक त्वरित गणितीय खोज चलाता है (जैसे थर्मोस्टेट पर सही तापमान ढूंढना) ताकि उस एक विशिष्ट संख्या ( $\lambda$ ) को पाया जा सके जो जोखिम को सीमा के भीतर रखते हुए उपयोगिता को अधिकतम करती है।
एक बार जब यह इस संख्या को पा लेता है, तो यह इसे रोबोट के मौजूदा "स्कोरिंग सिस्टम" में डाल देता है।

यह क्यों विशेष है

पेपर दावा करता है कि यह दो मुख्य चीजें कैसे करता है:

1. "Best-of-N" के लिए (एक सूची से सबसे अच्छा उत्तर चुनना)
कल्पना कीजिए कि रोबोट आपके प्रश्न के 20 अलग-अलग उत्तर लिखता है।

LARA के बिना: आप उस एक को चुन सकते हैं जो सबसे अच्छा लगता है, लेकिन वह खतरनाक हो सकता है।
LARA के साथ: सिस्टम सभी 20 उत्तरों को स्कोर करने के लिए गणना किए गए "लैम्ब्डा" का उपयोग करता है। यह स्वचालित रूप से उस उत्तर को चुनता है जो सुरक्षा बजट के भीतर रहते हुए सबसे अधिक उपयोगी है। पेपर गणितीय रूप से सिद्ध करता है कि यह तरीका पूर्ण संतुलन बिंदु पाता है।

2. "टोकन-लेवल" के लिए (रोबोट को शब्द-दर-शब्द निर्देशित करना)
कल्पना कीजिए कि रोबोट एक वाक्य को एक समय में एक शब्द के साथ लिख रहा है।

LARA के साथ: एक जोखिम भरे शब्द को कितना दंडित किया जाए, इसका अनुमान लगाने के बजाय, सिस्टम अगले शब्द की संभावना को समायोजित करने के लिए गणना किए गए "लैम्ब्डा" का उपयोग करता है। यह एक ट्रैफिक पुलिसकर्मी की तरह है जो जानता है कि सटीक गति सीमा क्या है और वह कार को ठीक उसके नीचे रहने के लिए निर्देशित करता है, न कि केवल हाथ हिलाकर उम्मीद करता है। पेपर इसे एक "सिद्धांत आधारित ह्यूरिस्टिक" (Principled Heuristic) कहता है—गणित पर आधारित एक स्मार्ट नियम, न कि केवल एक अनुमान।

परिणाम

लेखकों ने दो लोकप्रिय रोबोट मॉडलों (Llama और Qwen) पर इसका परीक्षण किया।

निष्कर्ष: LARA ने अन्य "अनुमान लगाने वाले" तरीकों की तुलना में उपयोगिता और सुरक्षा के बीच संतुलन बनाने में रोबोटों को बहुत बेहतर बनाया।
तुलना: LARA का उपयोग करने वाला "Best-of-N" तरीका उन महंगे, पुन: प्रशिक्षित मॉडलों के लगभग बराबर प्रदर्शन करता है (जिनके लिए हफ्तों का प्रशिक्षण आवश्यक होता है), लेकिन इसने बिना रोबोट के दिमाग को बदले, इसे सेकंडों में कर दिखाया।
ट्रेड-ऑफ: इसने रोबोट को बेकार बनाए बिना उन्हें हानिकारक होने से सफलतापूर्वक रोका।

सारांश उपमा

यदि सुरक्षित AI को प्रशिक्षित करना घर को अग्निरोधी बनाने के लिए घर बनाने जैसा है, तो LARA एक स्मार्ट फायर स्प्रिंकलर सिस्टम स्थापित करने जैसा है जो आग के आकार के आधार पर पानी के दबाव को स्वचालित रूप से समायोजित करता है। आपको घर को फिर से बनाने की आवश्यकता नहीं है; आपको बस स्प्रिंकलर को एक बार कैलिब्रेट करने की आवश्यकता है, और यह घर को सुरक्षित रखता है जबकि आपको आराम से रहने भी देता है।

तकनीकी सारांश: लैग्रेंजियन रिवॉर्ड ऑग्मेंटेशन (LARA) के माध्यम से सुरक्षित इन्फरेंस-टाइम अलाइनमेंट

समस्या विवरण

मानवीय प्राथमिकताओं के साथ लार्ज लैंग्वेज मॉडल्स (LLMs) को संरेखित (align) करने के लिए रिइन्फोर्समेंट लर्निंग फ्रॉम ह्यूमन फीडबैक (RLHF) एक मानक ढांचा है। हालाँकि, पारंपरिक अलाइनमेंट पॉलिसी फाइन-ट्यूनिंग (जैसे, RLHF या डायरेक्ट प्रेफरेंस ऑप्टिमाइज़ेशन जैसे DPO के माध्यम से) पर निर्भर करता है, जो गणनात्मक रूप से महंगा है और सुरक्षा आवश्यकताओं या उपयोगकर्ता आबादी के बदलने पर पुन: प्रशिक्षण (retraining) की मांग करता है।

जबकि इन्फरेंस-टाइम अलाइनमेंट विधियाँ (जैसे बेस्ट-ऑफ-N रेंकिंग या टोकन-लेवल रिवॉर्ड-गाइडेड डिकोडिंग) वजन अपडेट किए बिना सहायक रिवॉर्ड संकेतों का उपयोग करके फ्रोजन मॉडल्स को निर्देशित करने के लिए उभरी हैं, उनमें वर्तमान में सुरक्षित अलाइनमेंट के लिए एक सुव्यवस्थित तंत्र की कमी है। मौजूदा विधियाँ आमतौर पर एक एकल स्केलर स्कोर को अनुकूलित करती हैं। जब हेल्पफुलनेस (helpfulness) और सेफ्टी (harmlessness) के उद्देश्य आपस में टकराते हैं, तो अभ्यासकर्ताओं को उनके बीच के ट्रेड-ऑफ को मैन्युअल रूप से ट्यून करना पड़ता है। इसके अलावा, ये विधियाँ डिकोडिंग के दौरान स्पष्ट सुरक्षा बाधाओं (जैसे, अपेक्षित लागत पर बजट) को स्वाभाविक रूप से लागू नहीं करती हैं, जिससे या तो असुरक्षित आउटपुट मिलते हैं या हेल्पफुलनेस में अनावश्यक कमी आती है।

कार्यप्रणाली: लैग्रेंजियन रिवॉर्ड ऑग्मेंटेशन (LARA)

लेखक LARA प्रस्तावित करते हैं, जो एक डिकोडर-अग्नोस्टिक फ्रेमवर्क है जो सेफ RLHF के कंस्ट्रेंड ऑप्टिमाइज़ेशन स्ट्रक्चर को इन्फरेंस स्टेज पर स्थानांतरित करता है। मॉडल वेट्स को अपडेट करने के बजाय, LARA एक स्केलर डुअल वेरिएबल को कैलिब्रेट करने के लिए एक ऑगमेंटेड रिवॉर्ड सिग्नल बनाता है।

1. सैद्धांतिक सूत्रीकरण (Theoretical Formulation)

यह विधि सेफ RLHF उद्देश्य से शुरू होती है, जो एक रेफरेंस पॉलिसी ( $\pi_{ref}$ ) के विरुद्ध KL-डाइवर्जेंस टर्म द्वारा नियमित (regularized) होते हुए, अपेक्षित हेल्पफुलनेस ( $r$ ) को अधिकतम करता है और एक अपेक्षित लागत बाधा ( $c \le \tau$ ) को लागू करता है:
$\max_{\pi} \mathbb{E}[r(x,y)] - \beta D_{KL}(\pi \parallel \pi_{ref}) \quad \text{सर्त:} \quad \mathbb{E}[c(x,y)] \le \tau$

लैग्रेंजियन डुअलिटी (Lagrangian duality) का उपयोग करते हुए, लेखक सुरक्षा बाधा को डुअलाइज़ करते हैं। यह अनंत-आयामी पॉलिसी ऑप्टिमाइज़ेशन समस्या को एक गैर-ऋणात्मक डुअल वेरिएबल $\lambda$ (लैग्रेंज मल्टीप्लायर) पर एक एक-आयामी कॉनवेक्स ऑप्टिमाइज़ेशन समस्या में बदल देता है।

ऑगमेंटेड रिवॉर्ड: डुअल वेरिएबल एक ऑगमेंटेड रिवॉर्ड को परिभाषित करता है: $r_\lambda(x, y) = r(x, y) - \lambda c(x, y)$ ।
डुअल ऑब्जेक्टिव: डुअल फंक्शन $g(\lambda)$ को कॉनवेक्स (convex) दिखाया गया है। इसका डेरिवेटिव $r_\lambda$ द्वारा प्रेरित गिब्स-टिल्टेड पॉलिसी के तहत सुरक्षा बजट $\tau$ और अपेक्षित लागत के बीच के अंतर के अनुरूप है।
इष्टतमता (Optimality): इष्टतम $\lambda^*$ कॉम्प्लीमेंटरी स्लैकेनेस कंडीशन (complementary slackness condition) को संतुष्ट करता है, जो यह सुनिश्चित करता है कि अपेक्षित लागत बजट $\tau$ के बराबर हो (यदि बाधा सक्रिय है) जबकि हेल्पफुलनेस को अधिकतम किया जाए।

2. एम्पिरिकल कैलिब्रेशन (Empirical Calibration)

LARA को विश्लेषणात्मक रूप से समाधान करने की आवश्यकता नहीं है। इसके बजाय, यह एक छोटे डेटासेट पर एम्पिरिकल कैलिब्रेशन के माध्यम से $\lambda^*$ का अनुमान लगाता है:

डेटा: प्रॉम्प्ट्स का एक छोटा सेट लिया जाता है, और फ्रोजन रेफरेंस पॉलिसी से कई रिस्पॉन्स जेनरेट किए जाते हैं।
अनुमान: डुअल वेरिएबल का अनुमान एक कॉम्पैक्ट इंटरवल $[0, \Lambda]$ पर एम्पिरिकल डुअल ऑब्जेक्टिव को मिनिमाइज करके लगाया जाता है।
एल्गोरिदम: कॉनवेक्सिटी और मोनोटोनिसिटी के कारण, इष्टतम $\lambda$ को बाइनरी सर्च का उपयोग करके कुशलतापूर्वक पाया जा सकता है।
मजबूती (Robustness): कैलिब्रेशन और डिप्लॉयमेंट के बीच डिस्ट्रिब्यूशनल मिसमैच को संभालने के लिए, लेखक कैलिब्रेशन सेट को बूटस्ट्रैप करने और अनुमानित $\lambda$ वितरण के ऊपरी क्वांटाइल को एक रूढ़िवादी विकल्प के रूप में चुनने का सुझाव देते हैं।

3. डिकोडिंग के साथ एकीकरण

एक बार कैलिब्रेट होने के बाद, स्केलर $\hat{\lambda}$ का उपयोग $r_{\hat{\lambda}}$ की गणना करने के लिए किया जाता है। इस स्कोर को मौजूदा इन्फरेंस-टाइम अलाइनमेंट विधियों में एक "ड्रॉप-इन" सिग्नल के रूप में पास किया जाता है:

सीक्वेंस-लेवल (जैसे, बेस्ट-ऑफ-N): कैलिब्रेटेड $\lambda$ अपेक्षित-लागत कंस्ट्रेंड समस्या का एक सटीक समाधान प्रदान करता है।
टोकन-लेवल (जैसे, रिवॉर्ड-गाइडेड सर्च): कैलिब्रेटेड $\lambda$ एक सिद्धांत आधारित ह्यूरिस्टिक प्रदान करता है जो कंस्ट्रेंड ऑब्जेक्टिव से प्राप्त होता है, हालांकि यह टोकन-लेवल डिकोडिंग की ग्रीडी प्रकृति के कारण जनसंख्या-स्तर के बाधा संतुष्टि की गारंटी नहीं देता है।

मुख्य योगदान

सूत्रीकरण: पेपर सेफ इन्फरेंस-टाइम अलाइनमेंट को सेफ RLHF ऑब्जेक्टिव के डुअल के रूप में फॉर्म्युलेट करता है, जिससे समस्या एक एक-आयामी कॉनवेक्स कैलिब्रेशन कार्य में बदल जाती है।
ज्यामिति और दक्षता: लेखक डुअल ऑब्जेक्टिव की ज्यामिति को स्पष्ट करते हैं, इसकी कॉनवेक्सिटी और इसके ग्रेडिएंट की मोनोटोनिसिटी को सिद्ध करते हैं। यह एक कुशल बाइनरी-सर्च कैलिब्रेशन प्रक्रिया को सक्षम बनाता है।
सैद्धांतिक गारंटी: एस्टिमेटर $\hat{\lambda}_{N,K}$ के लिए एक फाइनाइट-सैंपल गारंटी प्रदान की गई है, जो दिखाता है कि त्रुटि (error) पॉपुलेशन मिनिमाइज़र $\lambda^*$ के आसपास केंद्रित होती है, जो प्रॉम्प्ट्स की संख्या ( $N$ ) और प्रति प्रॉम्प्ट सैंपल्स ( $K$ ) द्वारा नियंत्रित होती है।
डेकोडर-अग्नोस्टिक फ्रेमवर्क: LARA को एक कैलिब्रेशन लेयर के रूप में डिज़ाइन किया गया है जो किसी भी मौजूदा इन्फरेंस-टाइम अलाइनमेंट मेथड के साथ संगत है, जो मैन्युअल स्केलर ट्यूनिंग को एक सिद्धांत आधारित सुरक्षा-प्रतिबंधित निर्माण से बदल देता है।

प्रयोगात्मक परिणाम

लेखकों ने BeaverTails डेटासेट का उपयोग करके Llama-3.2-3B और Qwen-2.5-3B मॉडल्स पर LARA का मूल्यांकन किया।

बाधा संतुष्टि (Constraint Satisfaction): प्रयोगों ने पुष्टि की कि कैलिब्रेटेड $\lambda^*$ सुरक्षा बजट की सीमा पर स्थित है। $\lambda < \lambda^*$ मान सुरक्षा बजट का उल्लंघन करते थे, जबकि $\lambda > \lambda^*$ बाधा को संतुष्ट करते थे लेकिन हेल्पफुलनेस को अनावश्यक रूप से कम कर देते थे।
बेसलाइन्स के विरुद्ध प्रदर्शन:
- इन्फरेंस-टाइम: इन्फरेंस-टाइम विधियों में, LARA के साथ बेस्ट-ऑफ-N (BoN) ने सबसे अच्छा हेल्पफुलनेस-हारmlessness ट्रेड-ऑफ हासिल किया। इसने बिना वेट अपडेट के, हेल्पफुलनेस पर SafeDPO को पछाड़ते हुए हार्मलेसनेस पर प्रतिस्पर्धी बना रहा।
- टोकन-लेवल: टोकन-लेवल विधियों (ARGS, PARGS, CD-Q) ने BoN की तुलना में हेल्पफुलनेस पर सामान्यतः खराब प्रदर्शन किया, हालांकि CD-Q ने $\lambda$ में वृद्धि के साथ मजबूत हार्मलेसनेस सुधार दिखाया।
- फाइन-ट्यूनिंग के विरुद्ध: जबकि LARA-संचालित BoN, फाइन-ट्यूनिंग-आधारित बेसलाइन्स (Safe-RLHF, SafeDPO) के प्रदर्शन के करीब पहुँच गया, फाइन-ट्यून की गई विधियों ने अभी भी समग्र रूप से बेहतर ट्रेड-ऑफ हासिल किया। हालाँकि, LARA डिप्लॉयमेंट फ्लेक्सिबिलिटी और लागत में महत्वपूर्ण लाभ प्रदान करता है।
मूल्यांकन: परिणाम मॉडल-आधारित मूल्यांकन (BeaverTails रिवॉर्ड/कॉस्ट मॉडल्स का उपयोग करके) और GPT-4o-mini आधारित मूल्यांकन दोनों में सुसंगत थे, हालांकि GPT ने रिवॉर्ड मॉडल्स की तुलना में $\lambda$ के बदलावों के प्रति कम संवेदनशीलता दिखाई।

महत्व और दावे

पेपर का दावा है कि LARA सुरक्षित इन्फरेंस-टाइम अलाइनमेंट के लिए मैन्युअल पेनल्टी ट्यूनिंग के एक सिद्धांत आधारित विकल्प के रूप में कार्य करता है। सुरक्षा बाधा को डुअलाइज़ करके, LARA मॉडल के वजन को बदले बिना सुरक्षा बजट को डिकोडिंग ऑब्जेक्टिव में अनुवादित करता है।

सीक्वेंस-लेवल सैंपलर के लिए: LARA एक सटीक अपेक्षित-लागत व्याख्या प्रदान करता है, जो सैद्धांतिक रूप से कंस्ट्रेंड ऑब्जेक्टिव के तहत इष्टतम ट्रेड-ऑफ की गारंटी देता है।
टोकन-लेवल डिकोडर के लिए: यह एक सिद्धांत आधारित ह्यूरिस्टिक प्रदान करता है जो कंस्ट्रेंड ऑब्जेक्टिव की ज्यामिति का सम्मान करता है, भले ही यह जनसंख्या-स्तर के प्रतिबंध को सख्ती से लागू न कर सके।

लेखक निष्कर्ष निकालते हैं कि LARA सफलतापूर्वक सुरक्षा बाधाओं को ट्रेनिंग-टाइम अलाइनमेंट से व्यावहारिक डिकोडिंग-टाइम कंट्रोल में स्थानांतरित करने में सफल रहा है, जिससे हेल्पफुलनेस-हारmlessness ट्रेड-ऑफ में सुधार हुआ है और इन्फरेंस-टाइम विधियों को फाइन-ट्यूनिंग-आधारित दृष्टिकोणों के करीब लाया गया है। यह कार्य इस बात पर जोर देता है कि सुरक्षा बाधाओं को इन्फरेंस समय पर प्रभावी ढंग से प्रबंधित किया जा सकता है, जिससे बार-बार री-ट्रेनिंग का कंप्यूटेशनल ओवरहेड बचता है।