यह शोधपत्र संकल्पना विचलन की व्याख्या हेतु एक नवीन पद्धति प्रस्तुत करता है, जो गतिशील वातावरण में मशीन लर्निंग मॉडलों में प्रदर्शन में गिरावट का कारण बनता है। संकल्पना विचलन पहचान पर पिछले शोध के विपरीत, हम इस बात की व्याख्या पर ध्यान केंद्रित करते हैं कि मॉडल का निर्णय-निर्माण तर्क कैसे और क्यों बदलता है। इसके लिए, हम समूह-आधारित प्रति-उदाहरण स्पष्टीकरणों (GCE) के कालिक विकास का विश्लेषण करके संकल्पना विचलन की व्याख्या करते हैं। GCE के क्लस्टर केंद्रों और उनसे संबद्ध प्रति-उदाहरण क्रिया सदिशों में परिवर्तनों पर नज़र रखकर, हम मॉडल की निर्णय सीमाओं और अंतर्निहित तर्क में संरचनात्मक परिवर्तनों को प्रकट करते हैं। विश्लेषण एक त्रि-स्तरीय ढाँचे के भीतर किया जाता है जो डेटा परत (वितरणीय विचलन), मॉडल परत (पूर्वानुमान बेमेल), और प्रस्तावित स्पष्टीकरण परत को संयोजित करता है, जिससे हम विभिन्न मूल कारणों, जैसे स्थानिक डेटा विचलन और संकल्पना पुनर्लेबलिंग, के बीच अंतर कर पाते हैं।
