डेटा-विहीन वातावरणों में व्याख्या योग्य कृत्रिम बुद्धिमत्ता (XAI) विधियों की विश्वसनीयता और स्थिरता के मुद्दों को संबोधित करने के लिए, यह शोधपत्र इंस्टेंस-आधारित ट्रांसफर लर्निंग (ITL-LIME) का प्रस्ताव करता है, जो इंस्टेंस-आधारित ट्रांसफर लर्निंग को LIME फ्रेमवर्क में एकीकृत करता है। पारंपरिक LIME में यादृच्छिक गड़बड़ी और नमूनाकरण के कारण होने वाली स्थानीयता और अस्थिरता के मुद्दों को संबोधित करने के लिए, हम लक्ष्य डोमेन की व्याख्या करने में सहायता के लिए संबंधित स्रोत डोमेन से वास्तविक इंस्टेंस का लाभ उठाते हैं। हम स्रोत डोमेन को क्लस्टर करते हैं, लक्ष्य इंस्टेंस के सबसे समान प्रोटोटाइप वाले क्लस्टर से प्रासंगिक इंस्टेंस प्राप्त करते हैं, और उन्हें लक्ष्य इंस्टेंस के पड़ोसी इंस्टेंस के साथ संयोजित करते हैं। हम एक कंट्रास्टिव लर्निंग-आधारित एनकोडर का उपयोग करके इंस्टेंस को भारित करते हैं, और व्याख्याएँ उत्पन्न करने के लिए भारित स्रोत और लक्ष्य इंस्टेंस का उपयोग करके एक सरोगेट मॉडल को प्रशिक्षित करते हैं।