集成影响：带基线的数据归因方法
机器学习
2025-08-08 v1 人工智能
摘要
作为量化训练样本对测试样本影响的有效方法，数据归因对于理解数据和模型以及进一步提高机器学习模型的透明度至关重要。我们发现，基于留置-one-out (LOO) 策略的先前数据归因方法存在局部解释性问题，因为这些 LOO 基于的方法仅扰动单个训练样本，忽略了训练集中样本的集体影响。另一方面，许多数据归因方法缺乏基线，限制了解释的灵活性，例如无法提供反事实解释。本文提出了集成影响 (Integrated Influence)，一种包含基线方法的数据归因技术。该方法定义一个基线数据集，遵循数据退化过程将当前数据集过渡到基线，并在整个过程中累积每个样本的影响。我们提供了该方法的坚实理论框架，进一步表明流行方法，如影响函数，可视为本方法的特例。实验结果表明，集成影响在数据归因任务和误标例识别任务中生成的归因更可靠于现有方法。
引用
@article{arxiv.2508.05089,
title = {Integrated Influence: Data Attribution with Baseline},
author = {Linxiao Yang and Xinyu Gu and Liang Sun},
journal= {arXiv preprint arXiv:2508.05089},
year = {2025}
}