面向可靠视觉数据的 SG-OIF：一种稳定性引导的在线影响框架
计算机视觉与模式识别
2025-11-26 v1 人工智能
机器学习
摘要
近似训练点对测试预测的影响对于部署深度学习视觉模型至关重要，这对于定位噪声数据至关重要。虽然影响函数已提出用于归因单个训练示例的微小加权或移除对模型输出的影响，但在深度学习视觉模型中，其实现仍然具有挑战：逆曲率计算昂贵，训练非平稳性使静态近似失效。以前的工作使用迭代求解器和低秩代理来降低成本，但离线计算滞后于训练动态，缺乏置信校准导致排名脆弱，误识别关键性示例。为解决这些挑战，我们引入一种稳定性引导的在线影响框架（SG-OIF），这是首个将算法稳定性作为实时控制器的框架，该框架（i）通过随机Richardson和预条件化Neumann方法维护轻量级锚定逆Hessian向量积（IHVP）；（ii）提出模块化曲率后端，通过稳定性引导的残差阈值、异常门控和置信来调制每个示例的影响分数。实验结果表明，SG-OIF在多个数据集上针对噪声标签和分布外检测任务实现了SOTA（最新技术成果），其中包括CIFAR-10（20%不对称）上前1%预测样本的91.1%准确率，以及MNIST上的99.8% AUPR分数，有效地证明了该框架是一种实用的在线影响估计控制器。
引用
@article{arxiv.2511.19466,
title = {SG-OIF: A Stability-Guided Online Influence Framework for Reliable Vision Data},
author = {Penghao Rao and Runmin Jiang and Min Xu},
journal= {arXiv preprint arXiv:2511.19466},
year = {2025}
}