可线性化模型的影响函数对偶表示

基于摘要分析。本文研究如何高效估计删除数据点对模型参数、输出及损失的影响，提出面向可线性化模型的影响函数对偶表示，将计算复杂度的主要规模依赖从模型大小转向数据集大小。 作者报告，解析分析与实验表明：当模型规模相对数据集较大，或在参数空间计算原始影响函数不可行时，对偶表示可成为更高效的替代方案。这里的可线性化模型指整个训练过程中，其行为均可由线性化近似描述的模型，并非仅要求模型在某一局部可微。摘要未提供具体模型、数据集、计算开销或近似误差，实验协议、消融及统计信息尚未验证。 这一方法的适用性受两项条件限制：模型需满足上述线性化近似；计算需显式构建一个矩阵，其规模随模型输出维度与数据集大小的乘积增长。因此，参数量大并不足以保证收益，还需核对输出维度、样本量及实际存储成本。矩阵的具体形状、求解方式与数值稳定性需查阅正文。 平台推测（待验证）：其可能对应 EEG 小样本大模型中训练样本影响分析的计算瓶颈，可尝试复用对偶影响估计，但需核验具体 EEG 模型的线性化条件，并处理窗口与被试之间的数据依赖。低信噪比、通道差异及跨被试偏移可能影响线性化近似和影响估计的可靠性。一个可证伪的小实验是在固定 EEG 划分下，比较对偶估计、原始影响函数与实际删除样本后重训所得的输出及损失变化，同时记录内存和耗时；若近似误差明显或资源开销未降低，则不支持该场景的迁移价值。已有 EEG 相关工作尚未检索确认。