🤖 AI

From Neural Network Decisions to Training Cases: An Exact Account via Case-Based Decision Theory

यह शोध पत्र यह प्रदर्शित करता है कि एक निश्चित न्यूरल नेटवर्क प्रतिनिधित्व पर फिट किया गया एक ऑर्डिनरी लीस्ट स्क्वायर्स (OLS) रीडआउट, निर्णय स्कोर का प्रशिक्षण मामलों के परिणामों के भारित योगों में एक सटीक अपघटन सक्षम बनाता है, जिससे मॉडल को पुन: प्रशिक्षित करने की आवश्यकता के बिना केस-बेस्ड डिसीजन थ्योरी पर आधारित एक कठोर, ऑडिट-रेडी केस-आधारित स्पष्टीकरण प्राप्त होता है।

मूल लेखक: Manli Yan, Yuebin Lin, Yaowen Yu, Yong Zhao

प्रकाशित 2026-07-14

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Manli Yan, Yuebin Lin, Yaowen Yu, Yong Zhao

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 सुपर-स्मार्ट रोबोट शेफ बनाया है। यह शेफ सामग्री के ढेर को देखकर तय कर सकता है कि सलाद बनाना है, पिज्जा बनाना है, या स्मूदी। लेकिन समस्या यह है: शेफ कोई डायरी नहीं रखता। इसके पास बस एक विशाल, अदृश्य मस्तिष्क है जो 'वेट्स' (weights) और कनेक्शनों से भरा है। जब यह पिज्जा चुनता है, तो आप इससे पूछ नहीं सकते, "क्यों?" और आपको एक स्पष्ट उत्तर नहीं मिलेगा जैसे, "क्योंकि मैंने अपनी याददाश्त में पिज्जा की एक रेसिपी देखी थी।"

यही वह समस्या है जिसे यह पेपर हल करता है। यह पूछता है: क्या हम रोबोट के दिमाग में झाँक सकते हैं और उन विशिष्ट पिछले उदाहरणों (प्रशिक्षण मामलों) को खोज सकते हैं जिन्होंने इसे वह पिज्जा चुनने के लिए प्रेरित किया?

बड़ी खोज: "रेसिपी कार्ड" का विश्लेषण

लेखकों ने इसे करने का एक चतुर तरीका खोज निकाला है, लेकिन एक बहुत ही विशिष्ट शर्त के साथ। उन्होंने दिखाया कि यदि आप एक प्रशिक्षित रोबोट को लेते हैं और उसके "मस्तिष्क" (वह हिस्सा जो सामग्री को फीचर्स में बदलता है) को फ्रीज कर देते हैं और फिर उसके ऊपर एक सरल, मानक गणितीय उपकरण (जिसे OLS रीडआउट कहा जाता है) जोड़ देते हैं, तो आप उसके निर्णय को सटीक रूप से तोड़ सकते हैं।

सोचिए कि रोबोट का "पिज्जा" के लिए अंतिम स्कोर केवल एक जादुई नंबर नहीं है, बल्कि पिछले व्यंजनों का एक भारित योग (weighted sum) है।

हर बार जब रोबोट ने अतीत में टमाटर देखा, तो उस याद को एक छोटा स्कोर मिला।
हर बार जब उसने बेसिल (तुलसी) देखा, तो उसे एक स्कोर मिला।
अंतिम "पिज्जा स्कोर" बस उन सभी पिछली यादों का योग है, जिन्हें उनके महत्व के अनुसार गुणा किया गया है।

यह पेपर गणितीय रूप से सिद्ध करता है कि इस विशिष्ट सेटअप के लिए, रोबोट का निर्णय उन प्रशिक्षण मामलों के परिणामों का एक सटीक भारित औसत (weighted average) है जिनसे उसने सीखा था। यह कहने जैसा है कि, "मैं पिज्जा चुन रहा हूँ क्योंकि 10 पिछले पिज्जा व्यंजनों ने 'यम्मी' कहा और 2 पिछले सलाद व्यंजनों ने 'यैक' (yuck) कहा।"

ट्विस्ट: यह हमेशा "समानता" नहीं है

यहाँ यह पेपर बहुत सावधान हो जाता है और एक आम गलतफहमी को खारिज करता है।

मानवीय सोच में, हम आमतौर पर कहते हैं, "मैंने पिज्जा इसलिए चुना क्योंकि यह स्थिति उस समय के समान है जब मैंने पिज्जा खाया था।" हम उम्मीद करते हैं कि "वेट्स" (यादों का महत्व) सकारात्मक संख्याएँ होंगे। यदि कोई स्मृति समान है, तो वह मदद करती है; यदि नहीं, तो वह कुछ नहीं करती।

पेपर इस सरल दृष्टिकोण के विरुद्ध तर्क देता है।
वे दिखाते हैं कि रोबोट के निर्णय के पीछे का गणित हमेशा "समानता" की तरह काम नहीं करता है। कभी-कभी, "वेट्स" नकारात्मक हो सकते हैं।

सकारात्मक वेट: "यह पिछली याद पिज्जा का समर्थन करती है!"
नकारात्मक वेट: "यह पिछली याद वास्तव में पिज्जा के विरुद्ध तर्क देती है, इसलिए मैं इसके प्रभाव को घटा रहा हूँ!"

लेखक समझाते हैं कि आप इन वेट्स को केवल तभी "समानता" के रूप में मान सकते हैं जब रोबोट का मस्तिष्क "व्हाइटन" (एक विशिष्ट गणितीय सफाई प्रक्रिया) किया गया हो और वेट्स सकारात्मक रहें। यदि नहीं, तो आपको इन्हें साइन वाले ज्यामितीय प्रभाव (signed geometric influences) के रूप में देखना होगा। यह कहने का एक फैंसी तरीका है कि: "यह न मानें कि रोबमा केवल समान चीजों की तलाश कर रहा है; यह एक जटिल संतुलन कार्य कर रहा है जहाँ कुछ यादें निर्णय को ऊपर धकेलती हैं और अन्य इसे नीचे खींचती हैं।"

"ऑडिट" टूल: शेफ के काम की जाँच करना

यह पेपर एक नया टूल पेश करता है जिसे "पोस्ट-ट्रेनिंग ऑडिट" कहा जाता है। यह बहुत अच्छी खबर है क्योंकि आपको रोबोट को फिर से प्रशिक्षित करने या उसकी मूल प्रशिक्षण डायरी देखने की आवश्यकता नहीं है। आपको बस उस फ्रीज किए गए मस्तिष्क पर वह सरल गणितीय टूल फिट करना है।

यह टूल आपको तीन महाशक्तियाँ देता है:

साक्ष्य का पता लगाना: आप देख सकते हैं कि किन पिछले मामलों ने स्कोर बढ़ाया और किन मामलों ने उसे कम किया।
भ्रम की जाँच करना: यह टूल एक "एन्ट्रॉपी" स्कोर की गणना करता है। यदि शीर्ष यादें सभी "पिज्जा!" कह रही हैं, तो स्कोर कम है (स्पष्ट निर्णय)। यदि आधी "पिज्जा" और आधी "सलाद" कह रही हैं, तो स्कोर अधिक है (रोबोट भ्रमित है)।
कमजोर निर्णयों को पहचानना: यदि रोबोट उन यादों के आधार पर निर्णय ले रहा है जो बहुत दूर या विरोधाभासी हैं, तो टूल इसे "कमजोर रूप से समर्थित" के रूप में चिह्नित करता है।

क्या यह काम कर गया? (प्रमाण)

लेखकों ने केवल अनुमान नहीं लगाया; उन्होंने इसे कई तरीकों से परखा:

सिंथेटिक टेस्ट: उन्होंने एक नकली दुनिया बनाई जहाँ वे सटीक नियम जानते थे। रोबोट का निर्णय केस-आधारित नियमों के साथ 96% बार मेल खाया। पुनर्गठित स्कोर वास्तविक सत्य के साथ 0.994 और 0.996 जैसे नंबरों के साथ सह-संबंधित थे।
वास्तविक दुनिया के परीक्षण: उन्होंने इसे निम्नलिखित पर आजमाया:
- एनर्जी बिडिंग (PJM): एक वास्तविक बिजली बाजार। रोबोट केस-आधारित तर्क के साथ 3,221 बार 3,358 बार सहमत हुआ।
- आय अनुमोदन (Adult Income): एक क्रेडिट निर्णय कार्य। रोबोट और केस-आधारित तर्क 94.08% बार सहमत हुए।
- क्रेडिट डिफॉल्ट: एक अन्य जोखिम कार्य। सहमति 87.5% थी।

जब उन्होंने अपने तरीके की तुलना AI की व्याख्या करने के अन्य लोकप्रिय तरीकों (जैसे "इन्फ्लुएंस फंक्शन्स" या "रिप्रेजेंटर पॉइंट्स") से की, तो उनका तरीका शीर्ष 30 सबसे महत्वपूर्ण प्रशिक्षण मामलों को खोजने में सबसे अच्छा था, जिसका निरंतरता स्कोर 0.941 था (अगले सबसे अच्छे के 0.667 की तुलना में)।

पकड़ (यह क्या नहीं है)

यह पेपर बहुत स्पष्ट है कि यह क्या नहीं करता है:

यह हर प्रकार के न्यूरल नेटवर्क के लिए काम नहीं करता है। यह विशेष रूप से उन नेटवर्क्स के लिए काम करता है जहाँ आप रिप्रेजेंटेशन को फ्रीज करते हैं और एक सरल लीनियर रीडआउट (OLS) का उपयोग करते हैं। यह एक विशाल मॉडल के जटिल, एंड-टू-एंड नॉन-लीनियर ट्रेनिंग को बिना इस "फ्रीजिंग" चरण के समझाने का दावा नहीं करता है।
यह सभी AI स्पष्टीकरणों के लिए कोई जादुई समाधान होने का दावा नहीं करता है। यह एक विशिष्ट सेटअप के लिए एक विशिष्ट, सटीक अकाउंटिंग विधि है।
"समानता" की व्याख्या केवल विशिष्ट ज्यामितीय स्थितियों (व्हाइटनिंग) के तहत ही मान्य है। इसके बाहर, लेखक जोर देते हैं कि आपको इन्हें केवल "समानता" के बजाय साइन वाले प्रभावों के रूप में मानना चाहिए।

निचोड़

यह पेपर हमें एक ब्लैक-बॉक्स रोबोट के निर्णय को एक पारदर्शी सूची में बदलने का तरीका देता है। यह कहता है, "यहाँ ठीक वही पिछले उदाहरण दिए गए हैं जिन्होंने रोबोट को इसे चुनने के लिए प्रेरित किया, और जिन्होंने इसे पीछे खींचा।" यह मानवीय "समानता" की सोच का सटीक दर्पण नहीं है (क्योंकि कभी-कभी रोबोट यादों को घटाता है), लेकिन यह रोबोट के साक्ष्य का एक सटीक, गणितीय लेखांकन (accounting) है।

एक जिज्ञासु किशोर के लिए, इसे ऐसे सोचें: रोबोट केवल अंदाजा नहीं लगा रहा है। वह एक बहीखाता (ledger) पकड़े हुए है। यह पेपर हमें उस बहीखाते को पढ़ने की कुंजी देता है, जो दिखाता है कि किन पिछले अनुभवों ने अंतिम निर्णय में योगदान दिया, जिसमें प्रत्येक प्रविष्टि के साथ एक "प्लस" या "माइनस" का चिन्ह भी शामिल है। और सबसे अच्छी बात? हम रोबोट को फिर से बनाए बिना उस बहीखाते को पढ़ सकते हैं।

तकनीकी सारांश: न्यूरल नेटवर्क निर्णयों से प्रशिक्षण मामलों (Training Cases) तक

समस्या विवरण

न्यूरल नेटवर्क तेजी से उच्च-जोखिम वाले क्षेत्रों (जैसे, चिकित्सा निदान, क्रेडिट अनुमोदन, ऊर्जा बोली) में तैनात किए जा रहे हैं जहाँ निर्णयों के लिए केवल फीचर-स्तरीय स्पष्टीकरण से अधिक की आवश्यकता होती है। ऑडिटर्स और हितधारकों को केस-लेवल साक्ष्य (case-level evidence) की आवश्यकता होती है: विशिष्ट प्रशिक्षण उदाहरण जो एक निर्णय का समर्थन करते हैं, उन उदाहरणों द्वारा लाए गए परिणाम, और वे वर्तमान कार्रवाई वरीयता को कैसे आकार देते हैं। जबकि फीचर-एट्रिब्यूशन विधियाँ (जैसे, शापली मान/Shapley values) प्रभावशाली इनपुट चरों की पहचान करती हैं, वे निर्णयों को प्रशिक्षण डेटा से स्पष्ट रूप से नहीं जोड़ पाती हैं।

मानक न्यूरल नेटवर्क प्रशिक्षित अनुभव को सीखे गए मापदंडों (parameters) में समाहित कर लेते हैं, जिससे एक तैनात निर्णय और उसके प्रासंगिक प्रशिक्षण मामलों के बीच का संबंध अप्रत्यक्ष हो जाता है। यद्यपि केस-बेस्ड डिसीजन थ्योरी (CBDT) याद किए गए मामलों से परिणाम समर्थन को एकत्रित करके तर्क को औपचारिक रूप देती है, लेकिन एक निश्चित प्रतिनिधित्व (fixed representation) वाले मानक न्यूरल नेटवर्क पर इस ढांचे को लागू करना एक खुला प्रश्न बना हुआ है। मुख्य समस्या यह निर्धारित करना है कि कब और कैसे एक निश्चित न्यूरल प्रतिनिधित्व पर लीनियर रीडआउट (linear readout) के गुणांकों को CBDT-शैली के समानता भार (similarity weights) बनाम हस्ताक्षरित ज्यामितीय प्रभाव पदों (signed geometric influence terms) के रूप में व्याख्यायित किया जा सकता है, और बिना पुन: प्रशिक्षण (retraining) के इस अपघटन (decomposition) का उपयोग ऑडिटिंग के लिए कैसे किया जाए।

कार्यप्रणाली

1. सैद्धांतिक ढांचा: सटीक केस अपघटन (Exact Case Decomposition)

यह शोध पत्र निश्चित प्रतिनिधित्व (fixed representation) वाले OLS रीडआउट और केस-बेस्ड रीजनिंग के बीच एक सटीक गणितीय संबंध स्थापित करता है।

सेटअप: एक प्रशिक्षित नेटवर्क पर विचार करें जिसका एक निश्चित प्रतिनिधित्व मानचित्र $\phi(x) \in \mathbb{R}^H$ है। एक असतत क्रिया (discrete action) $a$ के लिए, रीडआउट लीनियर है: $Q(x, a) = v_a^\top \phi(x)$ ।
OLS रीडआउट: वेट वेक्टर $v_a$ को प्रशिक्षण मामलों से प्राप्त एक्शन-कंडीशनल रिटर्न वेक्टर्स $r_a$ के विरुद्ध स्क्वेर्ड लॉस को कम करने के लिए OLS के माध्यम से फिट किया गया है।
सटीक अपघटन: लेखक सिद्ध करते हैं कि किसी भी इनपुट $x$ पर किसी भी क्रिया $a$ के लिए रीडआउट स्कोर, प्रशिक्षण-मामला रिटर्न का एक भारित योग (weighted sum) है:
$Q(x, a) = \sum_{i=1}^n \alpha_i(x) r_{i,a}$
जहाँ गुणांक $\alpha_i(x) = \phi(x)^\top G^{-1} \phi(x_i)$ अनुभवजन्य ग्राम मैट्रिक्स (empirical Gram matrix) $G = \Phi^\top \Phi$ द्वारा निर्धारित होता है।
अर्थ विज्ञान (Semantics):
- CBDT समानता शासन (Similarity Regime): यदि प्रतिनिधित्व विटेन (whitened) है ( $G = nI_H$ ) और गुणांक गैर-ऋणात्मक हैं, तो $\alpha_i(x)$ एक मानक CBDT समानता भार (स्केल्ड इनर प्रोडक्ट) की तरह व्यवहार करता है।
- हस्ताक्षरित ग्राम-ज्यामितीय प्रभाव (Signed Gram-Geometric Influence): इस शासन के बाहर, गुणांक हस्ताक्षरित (signed) और अनॉर्मलाइज्ड होते हैं। वे हस्ताक्षरित ग्राम-ज्यामितीय प्रभाव का प्रतिनिधित्व करते हैं, जहाँ सकारात्मक गुणांक प्रतिनिधित्व स्थान में निकटवर्ती मामलों को दर्शाते हैं जो स्कोर बढ़ाते हैं, और नकारात्मक गुणांक दूर-क्षेत्र सुधार (far-field corrections) के रूप में कार्य करते हैं जो स्कोर को कम या ऑफसेट करते हैं।

2. ऑडिट संकेत (Audit Signals)

इस अपघटन के आधार पर, लेखक तीन ऑडिट संकेत प्रस्तावित करते हैं:

केस ऑडिट स्कोर: क्रिया स्कोर को योगदानों $\psi_i(a, x) = \alpha_i(x)r_{i,a}$ में विभाजित करता है। पूर्ण योगदान (absolute contribution) के आधार पर सॉर्ट करने से प्रभावशाली मामलों की पहचान होती है; चिह्न (sign) के आधार पर सॉर्ट करने से सहायक बनाम ऑफसेटिंग मामलों के बीच अंतर होता है।
इन्फ्लुएंस एंट्रॉपी (Influence Entropy): शीर्ष- $k$ प्रभावशाली मामलों के बीच क्रिया साक्ष्य की सुसंगतता (coherence) को मापता है। कम एंट्रॉपी एक एकल क्रिया के लिए सुसंगत समर्थन का संकेत देती है; उच्च एंट्रॉपी विरोधाभासी साक्ष्य का सुझाव देती है।
केस-इन्फ्लुएंस रिस्क डायग्नोस्टिक: यह शीर्ष-10 मामलों के बीच गिनी डिसएग्रीमेंट (Gini disagreement) टर्म के साथ इन्फ्लुएंस एंट्रॉपी को जोड़ता है ताकि कमजोर या बिखरे हुए समर्थन वाले प्रश्नों को फ्लैग किया जा सके, जो विशेष रूप से कोवेरिएट शिफ्ट (covariate shifts) का पता लगाने के लिए उपयोगी है।

3. प्रयोगात्मक सेटअप

विधि का मूल्यांकन निम्नलिखित पर किया गया है:

सिंथेटिक CBDT जनरेटर: ज्ञात केस-वरीयता संरचनाओं की रिकवरी को सत्यापित करने के लिए।
PJM ऊर्जा बोली (Energy Bidding): वास्तविक लोड डेटा के साथ 3-एक्शन बिडिंग समस्या के लिए सिंथेटिक प्राइस रिटर्न्स।
UCI डेटासेट: एडल्ट इनकम (अनुमोदन कार्य) और डिफॉल्ट क्रेडिट (जोखिम एक्सपोजर कार्य) का प्रॉक्सी रिटर्न्स के साथ उपयोग।
बेसलाइन: इन्फ्लुएंस फंक्शन्स, रिप्रेजेंटर पॉइंट सिलेक्शन, TracIn, और एक इनर-प्रोडक्ट बेसलाइन।

मुख्य योगदान

सटीक CBDT-शैली का विवरण: यह शोध पत्र सिद्ध करता है कि निश्चित-प्रतिनिधित्व वाले OLS रीडआउट के लिए, प्रत्येक क्रिया स्कोर प्रशिक्षण-मामला रिटर्न का एक सटीक एकत्रीकरण है। यह एक न्यूरल निर्णय से विशिष्ट प्रशिक्षण मामलों तक सीधे, गैर-अनुमानित मार्ग प्रदान करता है।
अर्थ संबंधी स्पष्टीकरण: लेखक उन स्थितियों का वर्णन करते हैं जिनमें केस वेट, CBDT समानता भार (विटन, गैर-ऋणात्मक शासन) के रूप में कार्य करते हैं बनाम जब उन्हें हस्ताक्षरित ग्राम-ज्यामितीय प्रभाव के रूप में व्याख्यायित किया जाना चाहिए। यह अंतर ऑडिट संदर्भों में "समानता" और "प्रभाव" के भ्रम को रोकता है।
पुनः प्रशिक्षण-मुक्त ऑडिट ढांचा: प्रस्तावित ऑडिट के लिए केवल एक निश्चित प्रतिनिधित्व पर टॉप-लेयर OLS प्रोब को फिट करने की आवश्यकता होती है। इसके लिए मूल अनुकूलन प्रक्षेपवक्र (optimization trajectory) तक पहुंच, मॉडल को पुन: प्रशिक्षित करने, या परिवर्तन-आधारित अनुमानों (perturbation-based approximations) की आवश्यकता नहीं है।

परिणाम

केस संरचना की रिकवरी: सिंथेटिक CBDT सेटिंग में, OLS रीडआउट ने इष्टतम CBDT क्रिया के साथ 96.0% टेस्ट एग्रीमेंट प्राप्त किया, और पुनर्निर्मित सपोर्ट स्कोर ने सभी क्रियाओं के लिए वास्तविक CBDT सपोर्ट के साथ मजबूत सहसंबंध दिखाया।
एट्रिब्यूशन गुणवत्ता: बेसलाइन (इन्फ्लुएंस फंक्शन्स, रिप्रेजेंटर पॉइंट, TracIn) की तुलना में, प्रस्तावित विधि ने उच्चतम Top-30 एक्शन कंसिस्टेंसी (0.941 बनाम इन्फ्लुएंस फंक्शन्स के लिए 0.909) और ग्राउंड-ट्रुथ केस योगदान के साथ प्रतिस्पर्धी पियर्सन सहसंबंध प्राप्त किया।
वास्तविक दुनिया का प्रदर्शन:
- PJM: न्यूरल पॉलिसी और CBDT निर्णय निर्माता 3358 में से 3221 टेस्ट निर्णयों पर सहमत थे। असहमति कम-मार्जिन वाले लोड-ट्रांजिशन क्षेत्रों में केंद्रित थी। ऑडिट ने सफलतापूर्वक पहचाना कि "आक्रामक" क्रियाओं में कमजोर समर्थन संरेखण था, जिससे उन्हें गहन निरीक्षण के लिए फ्लैग किया गया।
- UCI कार्य: एडल्ट इनकम (0.9408) और डिफॉल्ट क्रेडिट (0.875) के लिए उच्च नेटवर्क-CBDT समझौता देखा गया। ऑडिट ने सफलतापूर्वक डिफॉल्ट क्रेडिट में "मानक अनुमोदन" क्रिया को सबसे कम वफादारी से पुनर्निर्मित मामले के रूप में पहचाना, जो अस्पष्टता को उजागर करता है।
डायग्नोस्टिक उपयोगिता: केस-इन्फ्लुएंस रिस्क स्कोर ने मानक नेटवर्क-मार्जिन बेसलाइन की तुलना में कोवेरिएट शिफ्ट के तहत गलत भविष्यवाणियों का पता लगाने के लिए AUC में सुधार किया, जो कमजोर रूप से समर्थित प्रश्नों की पहचान करने में इसकी उपयोगिता को प्रदर्शित करता है।

महत्व और दावे

यह शोध पत्र प्रशिक्षण-मामला आधार को बीजगणितीय रूप से स्पष्ट बनाकर न्यूरल निर्णयों के लिए एक व्यावहारिक, पोस्ट-ट्रेनिंग ऑडिट दृश्य प्रदान करने का दावा करता है।

दायरे पर विनम्रता: लेखक स्पष्ट रूप से कहते हैं कि सटीक अपघटन फिक्स्ड-रिप्रेजेंटेशन OLS रीडआउट पर लागू होता है। वे यह दावा नहीं करते हैं कि कोई भी मनमाना एंड-टू-एंड नॉनलीन प्रशिक्षण बिना इस न्यूनीकरण के समान अपघटन स्वीकार करता है।
व्याख्यात्मक सीमाएं: ढांचा स्पष्ट करता है कि प्राप्त मामले समान रूप से "सहायक" नहीं हैं; नकारात्मक गुणांक ज्यामितीय सुधार के रूप में महत्वपूर्ण भूमिका निभाते हैं। ऑडिट प्रोब की निष्ठा (स्कोर पुनर्निर्माण द्वारा मापा गया) की सीमा तक वैध है।
व्यावहारिकता: यह विधि एक ट्रेड-ऑफ प्रदान करती है: यह प्रति क्वेरी उच्च विलंबता (लगभग 58.6 ms) लेती है, जो सब-मिलीसेकंड बेसलाइन की तुलना में अधिक है, लेकिन बिना पुनः प्रशिक्षण या प्रशिक्षण प्रक्षेपवक्र तक पहुंच के मजबूत निर्णय-प्रासंगिक केस रिट्रीवल प्रदान करती है।

यह कार्य केस-बेस्ड डिसीजन थ्योरी की सैद्धांतिक कठोरता और न्यूरल नेटवर्क के व्यावहारिक परिनियोजन के बीच के अंतर को पाटता है, जो उनके प्रशिक्षण इतिहास के लेंस के माध्यम से उच्च-जोखिम वाले AI निर्णयों को ट्रैक करने, निरीक्षण करने और चुनौती देने के लिए एक उपकरण प्रदान करता है।