如何用影響函式找出哪些訓練資料改變了模型預測
Influence Functions: Why One Training Point Can Move a Prediction
重點導讀
模型做出讓人意外的預測時,光看輸入特徵不一定知道哪些訓練資料推了它一把。
- 影響函式用數學近似「拿掉一筆資料再重訓」的過程,替每筆訓練資料排出對某個預測的幫助或傷害程度,省下反覆重訓的成本。這些排名能協助找出標錯、相似但標籤相反,或帶有特殊雜訊的資料,方便檢查與修正。不過,深度模型的結果只是近似值。
- 作者建議挑幾筆排名靠前的資料實際重訓核對,也提醒單筆排名看不出多筆資料一起造成的影響。
AI 伴隨問答
針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:
信源出處dev.to
Influence Functions: Why One Training Point Can Move a Prediction
本文為 888news 精選之重點導讀。若需閱讀作者完整原文、技術細節與官方討論,請前往原始網站。
來源: Dev.to Top Tech (dev.to)
開啟原文