काले-बॉक्स मॉडलों को Crack करना: उनके पूर्वानुमानों के पीछे छिपी मशीन लर्निंग तकनीकों का खुलासा करना

काले-बॉक्स मॉडलों में पारदर्शिता के लिए खोज ने हाल के वर्षों में महत्वपूर्ण गति प्राप्त की है। विशेष रूप से, काले-बॉक्स मॉडल के प्रदर्शन से अंतर्निहित मशीन लर्निंग तकनीक के प्रकार (या मॉडल परिवार) का पता लगाना इसके व्यवहार को बेहतर समझने और इसे सीखने की तकनीक में अंतर्निहित कमजोरियों का लाभ उठाकर हमला करने की रणनीतियों को विकसित करने के लिए एक महत्वपूर्ण समस्या है। इस पेपर में, हम उस चुनौतीपूर्ण कार्य का सामना करते हैं कि यह पहचानना कि काले-बॉक्स मॉडल के साथ बातचीत करते समय पूर्वानुमानों के पीछे किस प्रकार का मशीन लर्निंग मॉडल है। हमारी नवाचारपूर्ण विधि एक काले-बॉक्स मॉडल (ओरकल) को व्यवस्थित रूप से क्वेरी करना शामिल है ताकि कृत्रिम रूप से उत्पन्न डेटा सेट को लेबल किया जा सके, जिसे फिर से विभिन्न परिवारों की मशीन लर्निंग तकनीकों का उपयोग करके विभिन्न सरोगेट मॉडल को प्रशिक्षित करने के लिए उपयोग किया जाता है (हर एक ओर्कल के व्यवहार का आंशिक रूप से अनुमान लगाने की कोशिश कर रहा है)। हम इस पर आधारित दो दृष्टिकोण पेश करते हैं, एक सबसे समान परिवार का चयन करते हुए और दूसरा एक सुविधाजनक रूप से निर्मित मेटा-मॉडल का उपयोग करते हुए। दोनों मामलों में, हम स्पष्ट और नरम वर्गीकर्ताओं और उनके संबंधित समानता मेट्रिक्स का उपयोग करते हैं। सभी इन विधियों की प्रयोगात्मक तुलना करके, हमें हमारे मॉडल परिवार अवधारणा की व्याख्यात्मक और पूर्वानुमानात्मक क्षमताओं के बारे में मूल्यवान अंतर्दृष्टियाँ प्राप्त होती हैं। यह काले-बॉक्स मॉडलों को बेहतर समझने और उनकी पारदर्शिता और व्याख्यात्मकता को बढ़ाने के लिए एक मार्ग तैयार करता है, जिससे और अधिक प्रभावी निर्णय लेने में मदद मिलती है।