論文の概要: Traceable Spectral Inference via Influence Functions: Efficient Data Attribution and Error Proxies for the Ariel Mission

• arxiv url: http://arxiv.org/abs/2608.23458v1
• Date: Mon, 24 Aug 2026 16:28:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.196426
• Title: Traceable Spectral Inference via Influence Functions: Efficient Data Attribution and Error Proxies for the Ariel Mission
• Title（参考訳）: 影響関数によるトレーサブルスペクトル推定:アリエルミッションにおける効率的なデータ属性と誤差プロキシ
• Abstract要約: 解釈可能性(Interpretability)は、ESAのアリエル(Ariel)のような科学宇宙ミッションに展開される機械学習モデルにとって重要である。 本研究は、影響関数によるデータ属性のトレーニングについて検討し、オペレーショナルスペクトロスコピーパイプラインに3つの重要なコントリビューションを紹介する。
• 参考スコア（独自算出の注目度）: 0.6908439820101059
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interpretability is critical for machine learning models deployed in scientific space missions such as ESA's Ariel, where ground truth is unavailable during operations and physical plausibility must be assessed. While most explainable AI methods focus on feature attribution, this work investigates training data attribution through influence functions and introduces three key contributions for operational spectroscopy pipelines. First, influence is reformulated in terms of prediction rather than loss, enabling label-free deployment. Second, by leveraging the closed-form ridge solution of an Extreme Learning Machine, infinitesimal prediction influence is efficiently computed. Third, an influence-based conservative error proxy is derived by propagating training residuals through the influence sensitivities. Evaluated against simulated spectra, the proposed proxy correlates strongly with scale and shape-based spectral errors. Furthermore, influence functions enable the identification of the most influential samples and the approximation of the most harmful ones. Together, these results suggest that this approach can serve as an operational framework for scientific machine learning.
• Abstract（参考訳）: 解釈可能性(Interpretability)は、ESAのアリエル(Ariel)のような科学宇宙ミッションに配備される機械学習モデルにとって重要である。 ほとんどの説明可能なAIメソッドは機能属性に重点を置いているが、この研究は影響関数によるトレーニングデータ属性を調査し、オペレーショナルスペクトロスコピーパイプラインに3つの重要なコントリビューションを導入している。 第一に、影響は損失ではなく予測の観点で再編成され、ラベルのないデプロイメントを可能にします。 第2に、エクストリームラーニングマシンの閉形式リッジ解を利用して、無限小予測の影響を効率的に計算する。 第三に、影響に基づく保守的エラープロキシは、影響感性を通じてトレーニング残余を伝播させることによって導出される。 シミュレーションスペクトルに対して評価し,提案するプロキシは,スケールおよび形状に基づくスペクトル誤差と強く相関する。 さらに、影響関数は最も影響力のあるサンプルの同定と最も有害なサンプルの近似を可能にする。 これらの結果は、このアプローチが科学的機械学習の運用フレームワークとして機能することを示唆している。

関連論文リスト

• Influence-Preserving Proxies for Gradient-Based Data Selection in LLM Fine-tuning [51.87858735871145]
  対象モデルから直接影響保存プロキシを導出するフレームワークであるIproxを紹介する。 Iproxは、既製のプロキシやベースラインメソッドよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-02-19T20:57:30Z)
• Better Hessians Matter: Studying the Impact of Curvature Approximations in Influence Functions [5.937280131734114]
  制御された分類環境におけるヘッセン近似品質が影響関数属性に及ぼす影響について検討した。 実験の結果, ヘッセン近似の精度は一貫して, スコアの品質に優れた結果が得られた。 さらに,近年のヘッセン近似法の近似ステップを分解し,各ステップが帰属精度に与える影響を評価する。
  論文  参考訳（メタデータ） (2025-09-27T18:12:35Z)
• Toward Efficient Influence Function: Dropout as a Compression Tool [9.756810956484772]
  本稿では,より効率的に影響関数を計算するための勾配圧縮機構としてドロップアウトを利用する新しい手法を提案する。 本手法は, インフルエンス関数だけでなく, 勾配圧縮プロセスにおいても, 計算およびメモリオーバーヘッドを大幅に低減する。
  論文  参考訳（メタデータ） (2025-09-19T06:20:54Z)
• Revisiting Data Attribution for Influence Functions [13.88866465448849]
  本稿では,ディープラーニングにおける影響関数のデータ帰属能力について概説する。 提案手法の理論的基礎, 効率的な逆ヘッセンベクトル積推定のためのアルゴリズムの最近の進歩, およびデータ帰属と誤ラベル検出の有効性について考察する。
  論文  参考訳（メタデータ） (2025-08-10T11:15:07Z)
• Do-PFN: In-Context Learning for Causal Effect Estimation [75.62771416172109]
  予備データ適合ネットワーク(PFN)は, 合成データに基づいて事前学習を行い, 結果を予測する。 提案手法により,基礎となる因果グラフの知識を必要とせず,因果効果の正確な推定が可能となる。
  論文  参考訳（メタデータ） (2025-06-06T12:43:57Z)
• A Versatile Influence Function for Data Attribution with Non-Decomposable Loss [3.1615846013409925]
  本稿では,非分解不能な損失を学習した機械学習モデルに対して,直接適用可能なVersatile Influence Function (VIF)を提案する。 VIFはデータ属性の大幅な進歩を表しており、幅広い機械学習パラダイムにまたがる効率的な影響関数ベースの属性を可能にする。
  論文  参考訳（メタデータ） (2024-12-02T09:59:01Z)
• Machine Learning for Pre/Post Flight UAV Rotor Defect Detection Using Vibration Analysis [54.550658461477106]
  無人航空機(UAV)は将来のスマートシティにとって重要なインフラ要素となるだろう。 効率的な運用のためには、UAVの信頼性は障害や故障の常時監視によって保証されなければならない。 本稿では,信号処理と機械学習を利用して,包括的振動解析データを分析し,ローターブレードの欠陥の有無を判定する。
  論文  参考訳（メタデータ） (2024-04-24T13:50:27Z)
• Loss Bounds for Approximate Influence-Based Abstraction [81.13024471616417]
  影響に基づく抽象化は、システムの残りの部分が与える「影響」とともに、局所的なサブプロブレムをモデル化することでレバレッジを得ることを目的としている。 本稿では,理論的観点から,そのような手法の性能について考察する。 交叉エントロピーで訓練されたニューラルネットワークは、近似的な影響表現を学習するのに適していることを示す。
  論文  参考訳（メタデータ） (2020-11-03T15:33:10Z)
• Influence Functions in Deep Learning Are Fragile [52.31375893260445]
  影響関数は、テスト時間予測におけるサンプルの効果を近似する。 影響評価は浅いネットワークでは かなり正確です ヘッセン正則化は、高品質な影響推定を得るために重要である。
  論文  参考訳（メタデータ） (2020-06-25T18:25:59Z)
• Mixability of Integral Losses: a Key to Efficient Online Aggregation of Functional and Probabilistic Forecasts [72.32459441619388]
  基本混合(および指数的に凹)損失関数を適用して機能的予測を比較し、これらの適応が混合可能であることを証明する(exp-concave)。 主な結果の応用として、確率予測に使用される様々な損失関数が混合可能であることを示す(exp-concave)。
  論文  参考訳（メタデータ） (2019-12-15T14:25:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。