論文の概要: Which Influence Are We Estimating? The Role of Counterfactual Specifications in Data Attribution

• arxiv url: http://arxiv.org/abs/2609.31214v1
• Date: Fri, 25 Sep 2026 12:56:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.399432
• Title: Which Influence Are We Estimating? The Role of Counterfactual Specifications in Data Attribution
• Title（参考訳）: 推定する影響は何か? データ属性における非現実的仕様の役割
• Abstract要約: 影響は、属性となる行動、各トレーニング例に適用される介入、および対実的トレーニングプロセスに依存すると論じる。 我々は、影響を反事実推定として定式化し、仕様ミスマッチを近似誤差と区別する。 実験により、異なる仕様の下での正確な推定値が異なるランクを導出できることが示され、一方、摂動が線形化点から遠ざかるにつれて近似誤差は増大する。
• 参考スコア（独自算出の注目度）: 8.627671856044527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating the influence of training examples on model behavior is essential for data debugging, valuation, and attribution. Existing influence estimators often produce incompatible rankings, which are commonly ascribed to approximation error. We argue that a more fundamental source of disagreement is specification mismatch: influence depends on the behavior being attributed, the intervention applied to each training example, and the counterfactual training process that maps the intervention to a model response. These choices are especially important when the target behavior requires a tractable surrogate, such as query loss, a logit, or a margin. We formalize influence as a counterfactual estimand, distinguish specification mismatch across estimands from approximation error in estimating a fixed estimand, and organize representative estimators by their implied specifications. We further derive a local decomposition that exposes how behavior signals, training signals, and counterfactual parameter responses interact. Controlled experiments show that exact estimands under different specifications can induce different rankings, whereas approximation error grows as perturbations move farther from their linearization points. Experiments on noisy label detection and LLM attribution show that specification choices significantly affect attribution quality, especially for the choice of behavior surrogate. Behavior-aligned specifications can identify target-specific training examples obscured by default loss-based or similarity-based specifications. These results establish specification analysis as a necessary first step for interpreting and comparing data influence estimators.
• Abstract（参考訳）: モデルの振る舞いに対するトレーニング例の影響を推定することは、データのデバッグ、バリュエーション、属性に不可欠である。 既存の影響推定器は、しばしば非互換なランキングを生成するが、これは一般に近似誤差と説明される。 我々は、より基本的な不一致の源は仕様ミスマッチであり、影響は、属性される振る舞い、各トレーニング例に適用される介入、モデル応答に介入をマッピングする対実的トレーニングプロセスに依存する。 これらの選択は、クエリ損失、ロジット、マージンなどのトラクタブルなサロゲートを必要とする場合、特に重要である。 我々は、影響を反事実推定として定式化し、固定された推定値の近似誤差から各推定値間の仕様ミスマッチを識別し、指示された仕様で代表推定値を整理する。 さらに、行動信号、訓練信号、および対実パラメータ応答がどのように相互作用するかを明らかにする局所的な分解を導出する。 制御された実験により、異なる仕様の下で正確な推定値が異なるランクを導出できることが示され、一方、摂動が線形化点から遠くに移動するにつれて近似誤差が増大する。 ノイズラベル検出およびLCM属性による評価実験により、特に行動代理の選択において、仕様選択が属性品質に有意な影響を及ぼすことが示された。 行動整合性仕様は、デフォルトの損失ベースまたは類似性ベースの仕様で曖昧にされた、ターゲット固有のトレーニング例を特定することができる。 これらの結果は、データ影響推定器の解釈と比較に必要となる第1ステップとして仕様解析を確立する。

関連論文リスト

• Analyzing Error Sources in Global Feature Effect Estimation [11.864330844302403]
  部分依存(PD)や累積局所効果(ALE)プロットのようなグローバルな特徴効果はブラックボックスモデルの解釈に広く用いられている。 グローバルな特徴効果の人気にもかかわらず、エラーソースはほとんど探索されていない。 PDとALLのバイアスと分散の源をアンタングルする系統的,推定器レベルの分析を行う。
  論文  参考訳（メタデータ） (2026-03-16T10:12:51Z)
• f-INE: A Hypothesis Testing Framework for Estimating Influence under Training Randomness [13.922293647552303]
  仮説テストに基づく新しい影響推定フレームワークである*f-influence*を導入する。 また,f-influence **を1回のトレーニング実行で計算する,高効率なアルゴリズム**f*-*IN*fluence **E*stimation (**f-INE**)を設計する。 最後に, Llama-3.1-8Bにおける指導指導データの影響を推定するためにf-INEをスケールアップし, 有毒試料を確実に検出できることを示す。
  論文  参考訳（メタデータ） (2025-10-12T09:05:47Z)
• Why Do Class-Dependent Evaluation Effects Occur with Time Series Feature Attributions? A Synthetic Data Investigation [5.136283512042341]
  「クラス依存評価効果」は、摂動解析が帰属品質を確実に測定するかどうかという疑問を提起する。 複数の帰属法を用いて,摂動に基づく劣化スコアと地中真理に基づく精度評価値を比較した。 最も重要な点として、摂動に基づく実測値と基底的実測値が、クラスごとの帰属品質の矛盾した評価をしばしば得ることが挙げられる。
  論文  参考訳（メタデータ） (2025-06-13T13:52:32Z)
• Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
  拡散モデルは、生成的モデリングに大きな進歩をもたらした。 しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。 これらの課題に対処するための影響関数フレームワークを開発する。
  論文  参考訳（メタデータ） (2024-10-17T17:59:02Z)
• Identification and multiply robust estimation in causal mediation analysis across principal strata [7.801213477601286]
  治療後イベントの存在下での因果仲裁の評価について検討する。 本研究では,各媒介推定値に対する効率的な影響関数を導出する。
  論文  参考訳（メタデータ） (2023-04-20T00:39:20Z)
• Selecting the suitable resampling strategy for imbalanced data classification regarding dataset properties [62.997667081978825]
  医学、情報検索、サイバーセキュリティ、ソーシャルメディアなどの多くのアプリケーションドメインでは、分類モデルの導入に使用されるデータセットは、各クラスのインスタンスの不平等な分布を持つことが多い。 この状況は不均衡データ分類と呼ばれ、少数民族の例では予測性能が低い。 オーバーサンプリングとアンダーサンプリングの技術は、各クラスの例の数とバランスをとることでこの問題に対処する、よく知られた戦略である。
  論文  参考訳（メタデータ） (2021-12-15T18:56:39Z)

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。