Les chercheurs présentent Source, une nouvelle méthode d'attribution des données d'entraînement (TDA) qui combine l'efficacité computationnelle des fonctions d'influence avec la précision des approches basées sur le déroulement. En utilisant une formule similaire à la fonction d'influence pour approximer la différenciation déroulée, Source adresse les limitations des méthodes de différenciation implicite, telles que leur incapacité à prendre en compte le biais d'optimisation ou les pipelines multi-étapes.
- Source est computationnellement efficace par rapport aux méthodes TDA complètes basées sur le déroulement.
- Il reste adapté aux modèles non convergents et aux pipelines de formation multi-étapes où les approches de différenciation implicite éprouvent des difficultés.
- Les résultats empiriques montrent que Source surpasse les techniques TDA existantes dans la prédiction contrefactuelle, particulièrement dans les configurations où les méthodes traditionnelles sont insuffisantes.