यह शोधपत्र मशीन लर्निंग मॉडलों के प्रशिक्षण के महत्व पर ज़ोर देता है ताकि प्रत्येक वर्ग को परिभाषित करने वाले कारकों को स्पष्ट रूप से समझा जा सके। पिछले अध्ययनों ने केवल आँकड़ों या त्रुटि विश्लेषण पर निर्भर रहकर डेटासेट में नकली सहसंबंधों की पहचान करने पर ध्यान केंद्रित किया है, लेकिन वे उन मॉडलों द्वारा सीखे गए नकली सहसंबंधों का पता लगाने में विफल रहे हैं जो सत्यापन या प्रशिक्षण सेटों में प्रति-उदाहरणों द्वारा प्रकट नहीं होते हैं। इन सीमाओं को दूर करने के लिए, यह शोधपत्र WASP (वेट-स्पेस अप्रोच टू डिटेक्टिंग स्पूरियसनेस) का प्रस्ताव करता है, जो एक नवीन विधि है जो मॉडल के पूर्वानुमानों का विश्लेषण करने के बजाय मॉडल के भार, यानी निर्णय लेने की प्रक्रिया का विश्लेषण करती है। WASP विश्लेषण करता है कि किसी विशिष्ट डेटासेट पर फ़ाइन-ट्यूनिंग के दौरान आधार मॉडल के भार किस प्रकार एक दिशा में स्थानांतरित होते हैं जो विभिन्न (नकली) सहसंबंधों को पकड़ लेता है। पिछले अध्ययनों के विपरीत, WASP (i) डेटासेट में नकली सहसंबंधों को उजागर करता है जो प्रशिक्षण या सत्यापन प्रति-उदाहरणों द्वारा प्रकट नहीं होते हैं, (ii) विभिन्न तौर-तरीकों, जैसे छवियों और पाठ पर काम करता है, और (iii) ImageNet-1k क्लासिफायर द्वारा सीखे गए पहले से अज्ञात नकली सहसंबंधों का पता लगाने की अपनी क्षमता को प्रदर्शित करता है।
