基于影响函数的任务级元学习解释框架TLXML

元学习使模型能够通过利用先前经验快速适应新任务，但其适应机制仍不为人所知，尤其是关于过去训练任务如何影响未来预测的影响尚不清晰。我们引入TLXML（Task-Level eXplanation of Meta-Learning），一个新型框架，将影响函数扩展到元学习场景，实现对适应和推理的任务级解释。通过对双层优化进行重新表述，TLXML量化了每个元训练任务对已适应模型行为的贡献。为确保可扩展性，我们提出了一种高斯牛顿近似方法，显著降低了计算复杂度，从$O(pq^2)$降低到$O(pq)$，其中p和q分别表示模型参数和元参数。结果表明，TLXML能够有效地按其对下游性能影响对训练任务进行排序，提供简洁直观的解释，符合用户层次的抽象。该工作为构建可解释且可信的元学习系统提供了关键一步。