학습 자료를 입력으로 보기
대상 예시와 학습 집합, 학습 알고리즘을 고정한다. 그 뒤 학습 집합에서 어떤 예시를 골랐는지만으로 해당 부분 집합에서 학습한 모델의 출력을 예측한다.
선형 데이터모델
실제 모델의 학습과 평가 과정은 복잡할 수 있다. 원 연구는 단순한 선형 데이터모델로도 이러한 출력의 변화를 예측할 수 있음을 실험으로 보였다.
자료 구성의 변화 분석
학습 자료의 구성을 달리했을 때 예측이 어떻게 달라지는지 추정하는 반사실 분석에 활용했다. 불안정한 예측을 찾고 의미가 비슷한 예시를 조사하는 용도도 제시했다.
학습과 시험 자료의 관계
학습 자료와 시험 자료 사이의 누출을 정량화하고 자료를 표현 공간에 배치하는 활용을 다뤘다. 분석 대상은 정해진 학습 알고리즘과 대상 예시의 관계다.
관련 문서
데이터 섀플리 / TracIn / TRAK / 영향 함수 기반 학습 자료 추적 / 리프리젠터 포인트 / KNN 섀플리