arXiv cs.AI· Xin Wang (Jeff), R. Tyrrell Rockafellar (Jeff), Xuegang (Jeff), Ban·· 3 天前AI 评分16
约束感知影响估计：面向深度约束学习的 Directional Influence Function
Constraint-Aware Influence Estimation in Deep Constrained Learning
AI 导读
研究者提出 Directional Influence Function（DIF），将约束学习的最优性条件建模为变分不等式，把约束显式纳入影响估计，以解决经典影响函数在约束场景下因数据扰动同时改变目标与可行域而失准的问题。
正文 · AI 翻译
摘要：受约束学习已越来越多地应用于各个领域，以确保由于公平性、安全性、鲁棒性、正则化以及物理或逻辑约束而产生的显式可行性要求。理解训练样本如何影响受约束学习的解（例如学习到的参数）对于可解释性和鲁棒性至关重要。经典的影响函数在受约束情形下可能变得不可靠：数据扰动会同时改变目标函数和可行域，导致估计结果违反可行性。为此，我们提出了方向影响函数（DIF），这是一种将约束显式纳入影响估计的新估计器。DIF 将受约束学习的最优性条件表述为变分不等式（VI），并分析扰动训练数据如何影响该 VI。我们在受约束线性回归中验证了 DIF，并证明它能够复现留一法重训练的结果，而 IF 和基于惩罚的 IF 则表现出显著偏差。我们进一步将 DIF 应用于公平性约束的 CNN，其中 DIF 能够准确预测数据移除下的测试损失变化，并与实际重训练结果高度一致。我们的结果确立了 DIF 作为受约束学习中高效且可靠的数据归因工具。
| 评论： | 需要修改 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2607.23388 [cs.LG] |
| （或 arXiv:2607.23388v4 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2607.23388 arXiv 颁发的 DOI，经由 DataCite |
提交历史
来自：Xin Wang [查看电子邮件]
[v1]
2026年7月25日星期六 22:50:09 UTC（170 KB）
[v2]
2026年7月28日星期二 03:42:07 UTC（1 KB）（已撤回）
[v3]
2026年7月29日星期三 01:25:56 UTC（170 KB）
[v4]
2026年10月13日星期二 17:08:40 UTC（515 KB）
来源：arXiv cs.AI · arxiv.org