两篇新研究论文探讨了理解单个数据点如何影响大型机器学习模型训练的方法。第一篇论文引入了一个“分阶段数据归因”框架，认为数据样本的影响力在模型学习过程中动态变化，尤其是在语言模型中。第二篇论文提出了“镜像影响假说”，通过重新表述问题并利用前向传播，提供了一种计算上更有效的数据影响估计方法，适用于包括扩散模型和语言模型在内的各种场景。 AI
影响 这些论文引入了理解机器学习模型中数据影响的新理论框架和计算方法，有望提高模型的可靠性和调试能力。
排序理由 两篇在arXiv上发表的学术论文，提出了新颖的研究方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2510.12071v2 Announce Type: replace Abstract: Current training data attribution (TDA) methods treat the influence one sample has on another as static, but neural networks learn in distinct stages that exhibit changing patterns of influence. In this work, we introduce a fram…
arXiv:2402.08922v3 Announce Type: replace-cross Abstract: Large-scale black-box models have become ubiquitous across numerous applications. Understanding the influence of individual training data sources on predictions made by these models is crucial for improving their trustwort…