Buchumschlag

Efficient Sketches for Training Data Attribution and Studying the Loss Landscape

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Schioppa, Andrea
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Covariance-aware sampling for Diffusion Models
von: Schioppa, Andrea, et al.
Veröffentlicht: (2026)

Model Integrity when Unlearning with T2I Diffusion Models
von: Schioppa, Andrea, et al.
Veröffentlicht: (2024)

Sketching the Readout of Large Language Models for Scalable Data Attribution and Valuation
von: Ran, Yide, et al.
Veröffentlicht: (2026)

Efficient Ensembles Improve Training Data Attribution
von: Deng, Junwei, et al.
Veröffentlicht: (2024)

Challenges in Training PINNs: A Loss Landscape Perspective
von: Rathore, Pratik, et al.
Veröffentlicht: (2024)

Sketch to Adapt: Fine-Tunable Sketches for Efficient LLM Adaptation
von: Zhang, Tianyi, et al.
Veröffentlicht: (2024)

On the Hyperparameter Loss Landscapes of Machine Learning Models: An Exploratory Study
von: Huang, Mingyu, et al.
Veröffentlicht: (2023)

Sensitivity Analysis On Loss Landscape
von: Faroz, Salman
Veröffentlicht: (2024)

ExPLAIND: Unifying Model, Data, and Training Attribution to Study Model Behavior
von: Eichin, Florian, et al.
Veröffentlicht: (2025)

Enhancing Training Data Attribution with Representational Optimization
von: Sun, Weiwei, et al.
Veröffentlicht: (2025)

Sharp Minima Can Generalize: A Loss Landscape Perspective On Data
von: Fan, Raymond, et al.
Veröffentlicht: (2025)

A Versatile Influence Function for Data Attribution with Non-Decomposable Loss
von: Deng, Junwei, et al.
Veröffentlicht: (2024)

Efficiently Verifiable Proofs of Data Attribution
von: Karchmer, Ari, et al.
Veröffentlicht: (2025)

Convergence and Sketching-Based Efficient Computation of Neural Tangent Kernel Weights in Physics-Based Loss
von: Hirsch, Max, et al.
Veröffentlicht: (2025)

Training Data Attribution via Approximate Unrolled Differentiation
von: Bae, Juhan, et al.
Veröffentlicht: (2024)

There is a Singularity in the Loss Landscape
von: Lowell, Mark
Veröffentlicht: (2022)

The Optimiser Hidden in Plain Sight: Training with the Loss Landscape's Induced Metric
von: Harvey, Thomas R.
Veröffentlicht: (2025)

Using Degeneracy in the Loss Landscape for Mechanistic Interpretability
von: Bushnaq, Lucius, et al.
Veröffentlicht: (2024)

Paths and Ambient Spaces in Neural Loss Landscapes
von: Dold, Daniel, et al.
Veröffentlicht: (2025)

Lego Sketch: A Scalable Memory-augmented Neural Network for Sketching Data Streams
von: Feng, Yuan, et al.
Veröffentlicht: (2025)

Exploring Training Data Attribution under Limited Access Constraints
von: Zhang, Shiyuan, et al.
Veröffentlicht: (2025)

Detecting and Filtering Unsafe Training Data via Data Attribution with Denoised Representation
von: Pan, Yijun, et al.
Veröffentlicht: (2025)

LossLens: Diagnostics for Machine Learning through Loss Landscape Visual Analytics
von: Xie, Tiankai, et al.
Veröffentlicht: (2024)

Visualization and Analysis of the Loss Landscape in Graph Neural Networks
von: Moustafa, Samir, et al.
Veröffentlicht: (2025)

Curvature-Aligned Probing for Local Loss-Landscape Stabilization
von: Kiselev, Nikita, et al.
Veröffentlicht: (2026)

Landscaper: Understanding Loss Landscapes Through Multi-Dimensional Topological Analysis
von: Chen, Jiaqing, et al.
Veröffentlicht: (2026)

Better Training Data Attribution via Better Inverse Hessian-Vector Products
von: Wang, Andrew, et al.
Veröffentlicht: (2025)

LoRIF: Low-Rank Influence Functions for Scalable Training Data Attribution
von: Li, Shuangqi, et al.
Veröffentlicht: (2026)

Learning to Weight Parameters for Training Data Attribution
von: Li, Shuangqi, et al.
Veröffentlicht: (2025)

Sketch-of-Thought: Efficient LLM Reasoning with Adaptive Cognitive-Inspired Sketching
von: Aytes, Simon A., et al.
Veröffentlicht: (2025)

Visualizing, Rethinking, and Mining the Loss Landscape of Deep Neural Networks
von: Xu, Yichu, et al.
Veröffentlicht: (2024)

Unveiling the Basin-Like Loss Landscape in Large Language Models
von: Chen, Huanran, et al.
Veröffentlicht: (2025)

S2Aligner: Pair-Efficient and Transferable Pre-Training for Sparse Text-Attributed Graphs
von: Wang, Yuhan, et al.
Veröffentlicht: (2026)

Visualizing Loss Functions as Topological Landscape Profiles
von: Geniesse, Caleb, et al.
Veröffentlicht: (2024)

Quanda: An Interpretability Toolkit for Training Data Attribution Evaluation and Beyond
von: Bareeva, Dilyara, et al.
Veröffentlicht: (2024)

LossVal: Efficient Data Valuation for Neural Networks
von: Wibiral, Tim, et al.
Veröffentlicht: (2024)

SketchOGD: Memory-Efficient Continual Learning
von: Min, Youngjae, et al.
Veröffentlicht: (2023)

A Scalable Measure of Loss Landscape Curvature for Analyzing the Training Dynamics of LLMs
von: Kalra, Dayal Singh, et al.
Veröffentlicht: (2026)

TabSketchFM: Sketch-based Tabular Representation Learning for Data Discovery over Data Lakes
von: Khatiwada, Aamod, et al.
Veröffentlicht: (2024)

Learning from the Right Rollouts: Data Attribution for PPO-based LLM Post-Training
von: Shu, Dong, et al.
Veröffentlicht: (2026)