ANML：具备保证鲁棒性的归因原生机器学习
机器学习
2026-02-13 v1 人工智能
摘要
前沿 AI 系统越来越多地在专业专家数据上进行训练，从临床记录到专有研究再到精选数据集，但当前的训练管道 treats all samples identically。诺贝尔奖得主的贡献与未经验证的提交在权重上获得相同的对待。我们引入 ANML（归因原生机器学习），一个能够依据四个质量因素对训练样本进行加权的框架：梯度基于一致性 (q)、验证状态 (v)、贡献者声誉 (r) 和时间相关性 (T)。通过将模型观察到的梯度信号与系统关于数据来源的外部信号相结合，ANML 可为每个贡献者生成质量权重，从而在提高模型性能的同时实现下游归因。我们在 5 个数据集（178-32,561 个样本）上进行实验，ANML 在梯度唯一基线上实现了 33-72% 的错误率降低。质量加权训练数据高效：20% 的高质量数据相对于 100% 均匀加权数据可实现 47% 的性能提升。双阶段自适应门控机制保证 ANML 永远不会低于最佳基线，包括在结合凭证伪造与梯度对齐的战略性联合攻击下。当样本级检测在面对微妙腐败时失败时，贡献者级归因比样本级方法提升 1.3-5.3 倍，随着腐败难以检测的程度增加，这一优势也随之增大。
引用
@article{arxiv.2602.11690,
title = {ANML: Attribution-Native Machine Learning with Guaranteed Robustness},
author = {Oliver Zahn and Matt Beton and Simran Chana},
journal= {arXiv preprint arXiv:2602.11690},
year = {2026}
}
备注
27 pages, 6 figures