Исследователи представляют Source, новый метод атрибуции обучающих данных (TDA), который сочетает вычислительную эффективность функций влияния с точностью подходов на основе развёртывания. Используя формулу, подобную функции влияния, для аппроксимации развёрнутого дифференцирования, Source устраняет ограничения методов неявного дифференцирования, такие как их неспособность учитывать смещение оптимизации или многоэтапные конвейеры.

  • Source вычислительно эффективен по сравнению с полными методами TDA на основе развёртывания.
  • Он остаётся подходящим для моделей, не достигших сходимости, и многоэтапных конвейеров обучения, где подходы с неявным дифференцированием испытывают трудности.
  • Эмпирические результаты показывают, что Source превосходит существующие методы TDA в контрфактическом прогнозировании, особенно в условиях, где традиционные методы оказываются недостаточными.