यह शोधपत्र ACE का प्रस्ताव करता है, जो गहरे तंत्रिका नेटवर्कों की छद्म सहसंबंधों के प्रति संवेदनशीलता को दूर करने की एक नवीन विधि है। मौजूदा शोध अपूर्ण छद्म सहसंबंधों पर केंद्रित रहा है, जिसमें सहसंबंध को तोड़ने के लिए लेबल वाले उदाहरणों का उपयोग किया जाता है। हालाँकि, पूर्ण छद्म सहसंबंधों के लिए, सही सामान्यीकरण मूल रूप से अस्पष्ट है। ACE इस अस्पष्ट समस्या का समाधान उन अवधारणाओं के एक समूह को सीखकर करता है जो प्रशिक्षण डेटा के अनुरूप हैं लेकिन नए, लेबल रहित इनपुट के एक उपसमूह के लिए अलग-अलग पूर्वानुमान करते हैं। एक स्व-प्रशिक्षण दृष्टिकोण का उपयोग करते हुए जो आत्मविश्वासपूर्ण और चयनात्मक बेमेल को प्रोत्साहित करता है, ACE विभिन्न पूर्ण छद्म सहसंबंध मानदंडों पर मौजूदा विधियों के बराबर या उनसे बेहतर प्रदर्शन करता है और अपूर्ण छद्म सहसंबंधों के प्रति सुदृढ़ है। इसके अलावा, ACE मौजूदा विधियों की तुलना में अधिक विन्यास योग्य है, पूर्व ज्ञान को सीधे एन्कोड करता है और सिद्धांत-आधारित अप्रशिक्षित मॉडल चयन को सक्षम बनाता है। भाषा मॉडल संरेखण के प्रारंभिक अनुप्रयोगों में, ACE ने अविश्वसनीय मापों तक पहुँच के बिना माप हेरफेर पहचान मानदंडों पर प्रतिस्पर्धी प्रदर्शन हासिल किया।
