특정 실행의 모델
같은 알고리즘으로 학습해도 실행마다 다른 모델을 얻을 수 있다. 이 연구는 그중 관심 있는 특정 실행의 모델을 대상으로 자료 기여를 추적하는 문제를 다룬다.
반복 학습 비용
다른 자료 부분 집합으로 모델을 다시 학습하는 방식은 큰 모델에 적용하기 어렵다. In-Run 접근은 표준 학습에 더해지는 비용을 줄여 대규모 귀속 분석에 접근한다.
사전 학습의 자료 분석
파운데이션 모델의 사전 학습 단계에 자료 귀속을 적용하는 사례를 제시했다. 원 연구는 사전 학습 자료의 기여를 분석하고 자료 구성에 관한 함의를 논의했다.
관련 문서
데이터 섀플리 / Data Banzhaf / TracIn / TRAK / DataInf / LESS 지시 자료 선택