تقنية Anchors تشتهر بتوفير تفسيرات محلية لنماذج الذكاء الاصطناعي بطريقة مستقلة عن النموذج، ولكن قيودها المتعلقة بالكفاءة تضعف من قدرتها على التطبيق العملي. لمواجهة هذه التحديات، ظهرت مقاربة مبتكرة ترتكز على مبدأ التخزين الذهني، مما يسهل تسريع عملية التفسير مع الحفاظ على دقتها ووضوحها.

يستفيد هذا الإطار من الطبيعة التكرارية لخوارزمية Anchors، والتي تعمل على تحسين الشرح تدريجيًا حتى تصل إلى درجة دقيقة من الفهم المناسب لأي إدخال. من خلال حفظ النتائج الوسيطة المكتسبة أثناء تفسيرات سابقة، نتمكن من إعادة استخدام هذه المعلومات بشكل فعال.

تشمل التقنيات الجديدة التي تم إدخالها في هذا الإطار نظامًا لقاعدة بسيطة تحتوي على حزم رشيدة من القواعد ذات الدقة المنخفضة والنطاق الواسع، بالإضافة إلى إطار عمل لتحويل تلك القواعد لتناسب المدخلات الجديدة. تتضمن هذه التحويلات نوعين: التحويل الأفقي، الذي يُعدل الشرح المعد سلفًا ليتناسب مع المدخلات الحالية من خلال استبدال الميزات، والتحويل الرأسي، الذي يعمل على تحسين الشرح العام حتى يصبح دقيقًا بما يكفي للإدخال المحدد.

تم اختبار هذا الأسلوب الجديد عبر مجموعات بيانات متنوعه تشمل البيانات الجدولية والنصوص والصور، وتبين أنه يؤدي إلى تقليص كبير في زمن إنتاج التفسير مع الحفاظ على مستوى عالٍ من الدقة والوضوح. هذا التطور يفتح الأبواب لاستخدام Anchors في التطبيقات ذات الوقت الحرج، مما يسمح بتبنيها بشكل عملي في مجالات متعددة.