研究者提出方向性影响函数DIF
热点事件持续更新
研究者提出方向性影响函数DIF
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Xin Wang等研究者提出方向性影响函数（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扰动同时改变目标与可行域而失真的问题。 据研究结果，在约束线性回归中，DIF能复现留一法重训结果，而IF与基于惩罚的IF存在明显偏差；在公平约束CNN上，DIF能准确预测数据移除后的测试损失变化，并与实际重训结果高度吻合。
AI 根据报道生成 · 2 小时前更新
最新进展10月15日 12:00
DIF：面向深度约束学习的方向性影响函数报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv：cs.AIDIF：面向深度约束学习的方向性影响函数
研究者提出方向性影响函数（DIF），将约束学习的最优性条件建模为变分不等式（VI），把约束显式纳入影响估计，解决经典影响函数在约束场景下因扰动同时改变目标与可行域而失真的问题。在约束线性回归中，DIF 能复现留一法重训结果，而 IF 与基于惩罚的 IF 存在明显偏差；在公平约束 CNN 上，DIF 能准确预测数据移除后的测试损失变化，并与实际重训结果高度吻合。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。