2D-OOB：通过联合估计框架对数据贡献进行归因
机器学习
2024-10-31 v2 人工智能
摘要
数据估值已成为量化每个数据点对机器学习模型训练贡献的强大框架。然而，需要认识到，在实际应用中，单个数据点中各单元的质量差异很大。例如，对于异常数据点，所有单元未必都噪声。现有数据估值方法为单个数据点分配标量得分，这模糊了噪声单元与干净单元之间的区别，使得难以解释数据价值。本文提出了 2D-OOB，一种用于联合确定有益（或有害）样本以及具体驱动它们的特定单元的外包估计框架。我们的全面实验表明，2D-OOB 在多个用例中实现了领先的性能，同时速度更快得多。具体而言，2D-OOB 在检测和纠正单元级别的细粒度异常值以及局部化数据投毒攻击中的触发器方面表现有前景。
引用
@article{arxiv.2408.03572,
title = {2D-OOB: Attributing Data Contribution Through Joint Valuation Framework},
author = {Yifan Sun and Jingyan Shen and Yongchan Kwon},
journal= {arXiv preprint arXiv:2408.03572},
year = {2024}
}