Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2506.00175

帮助 | 高级搜索

计算机科学 > 机器学习

arXiv:2506.00175 (cs)
[提交于 2025年5月30日 ]

标题: 问责制归因:追溯模型行为到训练过程

标题: Accountability Attribution: Tracing Model Behavior to Training Processes

Authors:Shichang Zhang, Hongzhe Du, Karim Saraipour, Jiaqi W. Ma, Himabindu Lakkaraju
摘要: 现代人工智能开发流程通常涉及多个阶段——预训练、微调轮次,以及后续的适应或对齐,并且在每个阶段中有大量的模型更新步骤。 这就引发了一个关键的问题:问责制。当部署的模型成功或失败时,哪个阶段应对此负责,以及在多大程度上? 我们提出了一个问责制归因问题,旨在将模型行为追溯到特定的训练过程阶段。 为了解决这个问题,我们提出了一种通用框架,用于回答关于阶段效果的反事实问题:如果某个训练阶段的更新未被执行,模型的行为会如何变化? 在这个框架内,我们引入了基于一阶近似的方法,这些方法可以高效地量化阶段效果而无需重新训练。 我们的估计器考虑了训练数据和优化动态的关键方面,包括学习率计划、动量和权重衰减。 实证研究表明,我们的方法能够识别导致特定行为的训练阶段,为模型分析提供了一个实用工具,并朝着更负责任的人工智能开发迈出了一步。
摘要: Modern AI development pipelines often involve multiple stages-pretraining, fine-tuning rounds, and subsequent adaptation or alignment-with numerous model update steps within each stage. This raises a critical question of accountability: when a deployed model succeeds or fails, which stage is responsible, and to what extent? We pose the problem of accountability attribution, which aims to trace model behavior back to specific stages of the training process. To address this, we propose a general framework that answers counterfactual questions about stage effects: how would the model behavior have changed if the updates from a training stage had not been executed?. Within this framework, we introduce estimators based on first-order approximations that efficiently quantify the stage effects without retraining. Our estimators account for both the training data and key aspects of optimization dynamics, including learning rate schedules, momentum, and weight decay. Empirically, we demonstrate that our approach identifies training stages accountable for specific behaviors, offering a practical tool for model analysis and a step toward more accountable AI development.
主题: 机器学习 (cs.LG) ; 人工智能 (cs.AI)
引用方式: arXiv:2506.00175 [cs.LG]
  (或者 arXiv:2506.00175v1 [cs.LG] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.00175
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Shichang Zhang [查看电子邮件]
[v1] 星期五, 2025 年 5 月 30 日 19:27:39 UTC (1,325 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.LG
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs
cs.AI

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号