تُعد تقنية GAUGE، وهي اختصار لـ Granularity-Adaptive Counterfactual Gating، خطوة متقدمة في عالم تصنيف البيانات متعددة الأنماط (Multimodal Classification). تقليديًا، تعتمد هذه الأنظمة على وجود جميع الأنماط لتحقيق نتائج دقيقة، لكن المدخلات الحقيقية غالبًا ما تكون ناقصة مما يضعف دقة التوقعات.

تواجه الأساليب الحالية هذه المشكلة عن طريق ملء الفراغات ودمج الأنماط بشكل ديناميكي، إلا أنها غالبًا ما تفشل في التعامل بكفاءة مع مستوى التفاصيل، حيث لا تستطيع استعادة العناصر الموثوقة أثناء قمع العناصر المضللة داخل نفس النمط المُستعاد.

تدخل GAUGE لتقدم حلاً مبتكرًا حيث تعتمد على إطار عمل مُصمم خصيصًا لنمذجة المدخلات الناقصة. تبدأ بعملية ملء فقدان الأنماط باستخدام مُعالج ثابت، ثم تقوم بتشفير المدخلات المُلاحظة والمُستعاضة عنها كوحدات دليل دقيقة.

بدلًا من التدخل المباشر في كل وحدة، يقوم GAUGE بتقييم التأثير المضاد لفعل استبدال كل وحدة بتمثيل مرجعي باستخدام نقاط أدلة صادرة عن تيلور، تم الحصول عليها جميعًا في عملية تمرير واحدة للأمام والخلف. تُضاف هذه النقاط إلى أبواب متواصلة، والتي تتحول بدورها إلى انحيازات الانتباه اللوجستي للوحدات، مما يسمح بتعديل الأدلة دون تغيير بنية الشبكة الأساسية.

تشير التجارب المُنفذة عبر ستة معايير مرجعية إلى أن GAUGE يتفوق على الأساليب التقليدية في مجموعة متنوعة من سيناريوهات المدخلات الناقصة. بالإضافة إلى ذلك، يقدم تحليل بقايا تيلور توصيفًا لخطأ التقدير مقارنة بالتأثير المضاد الدقيق، مما يرسخ GAUGE كإطار عمل مدروس وقابل للتطوير للتحكم في الأدلة الدقيقة في ظل نقص الأنماط.