研究论文强调规范不匹配是数据归因差异的关键

一篇题为“我们正在估计哪种影响？反事实规范在数据归因中的作用”的新研究论文探讨了用于数据调试和评估的影响估计器之间存在差异的根本原因。作者认为，这些估计器产生的排名差异不仅源于近似误差，更重要的是源于行为、干预和反事实训练过程的规范化方式不匹配。他们将影响形式化为反事实可估量，并根据其隐含的规范对现有估计器进行分类。实验表明，这些规范选择，特别是对于查询损失等代理行为，可以显著改变归因质量，并有效识别目标特定的训练示例。 AI

影响 阐明了数据归因中的基本问题，有望带来更可靠的AI调试和模型评估工具。

排序理由 学术论文发布在arXiv上，详细介绍了理解AI模型中数据归因的新理论框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• arXiv
• Counterfactual Specifications
• Data attribution using frequent pattern analysis
• Hugging Face
• Influence estimators
• Which Influence Are We Estimating? The Role of Counterfactual Specifications in Data Attribution

• 论文
• 其他

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