Italiano(IT) Data Attribution at Scale via Influence Matrix Estimation

新的MAGE和SPELL算法增强了数据归因的可扩展性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-15 04:00

研究人员开发了新的方法MAGE和SPELL，以提高机器学习中数据归因的可扩展性。这些技术旨在从有限的测量次数中估计影响矩阵，解决了现有基于元梯度的方法（如MAGIC）的计算挑战。所提出的算法可以集成到现有的元梯度机制中，而无需额外成本，并在实证研究中证明了在各种训练规模和测量预算下都具有强大的性能。 AI

影响这些方法可以显著提高理解单个数据点如何影响模型行为的效率，有助于数据估值和模型可解释性等任务。

排序理由该集群包含一篇详细介绍机器学习中数据归因新算法的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 15 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍机器学习中数据归因新算法的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 Italiano(IT) · Yuxi Chen, Hamza Golubovic, Han Tong, Arian Maleki, Andrew Ilyas · 2026-09-15 04:00

大规模数据归因通过影响矩阵估计

arXiv:2609.15044v1 Announce Type: cross Abstract: Data attribution seeks to quantify how individual training examples shape a model's predictions and underpins problems including data valuation, machine unlearning, and model interpretability. Despite having a long line of work, c…

本文如何被排名

报道来源 [1]

大规模数据归因通过影响矩阵估计

相关实体

相关话题