Buchumschlag

Detecting and Filtering Unsafe Training Data via Data Attribution with Denoised Representation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Pan, Yijun, Shi, Taiwei, Zhao, Jieyu, Ma, Jiaqi W.
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Efficient Reinforcement Finetuning via Adaptive Curriculum Learning
von: Shi, Taiwei, et al.
Veröffentlicht: (2025)

Daunce: Data Attribution through Uncertainty Estimation
von: Pan, Xingyuan, et al.
Veröffentlicht: (2025)

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

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

Adversarial Attacks on Data Attribution
von: Wang, Xinhe, et al.
Veröffentlicht: (2024)

Measuring Fine-Grained Relatedness in Multitask Learning via Data Attribution
von: Tu, Yiwen, et al.
Veröffentlicht: (2025)

$\texttt{dattri}$: A Library for Efficient Data Attribution
von: Deng, Junwei, et al.
Veröffentlicht: (2024)

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

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

Skill Reuse as Compression in Agentic RL
von: Xu, Zhikun, et al.
Veröffentlicht: (2026)

Experiential Reinforcement Learning
von: Shi, Taiwei, et al.
Veröffentlicht: (2026)

GraSS: Scalable Data Attribution with Gradient Sparsification and Sparse Projection
von: Hu, Pingbang, et al.
Veröffentlicht: (2025)

Safer-Instruct: Aligning Language Models with Automated Preference Data
von: Shi, Taiwei, et al.
Veröffentlicht: (2023)

No Safe Dose: How Training Data Drives Unsafe Image Generation
von: Friedrich, Felix, et al.
Veröffentlicht: (2026)

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

Taming Hyperparameter Sensitivity in Data Attribution: Practical Selection Without Costly Retraining
von: Wang, Weiyi, et al.
Veröffentlicht: (2025)

A Snapshot of Influence: A Local Data Attribution Framework for Online Reinforcement Learning
von: Hu, Yuzheng, et al.
Veröffentlicht: (2025)

Controllable Pareto Trade-off between Fairness and Accuracy
von: Du, Yongkang, et al.
Veröffentlicht: (2025)

How Faithful Is Trajectory-Based Data Attribution? Error Sources, Remedies, and Practical Guidelines
von: Deng, Junwei, et al.
Veröffentlicht: (2026)

Dr. Post-Training: A Data Regularization Perspective on LLM Post-Training
von: Hu, Pingbang, et al.
Veröffentlicht: (2026)

FairSHAP: Preprocessing for Fairness Through Attribution-Based Data Augmentation
von: Zhu, Lin, et al.
Veröffentlicht: (2025)

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

Scalable Data Attribution via Forward-Only Test-Time Inference
von: Ma, Sibo, et al.
Veröffentlicht: (2025)

Mechanistic Data Attribution: Tracing the Training Origins of Interpretable LLM Units
von: Chen, Jianhui, et al.
Veröffentlicht: (2026)

A Data-Driven Gaussian Process Filter for Electrocardiogram Denoising
von: Dumitru, Mircea, et al.
Veröffentlicht: (2023)

Data Denoising and Derivative Estimation for Data-Driven Modeling of Nonlinear Dynamical Systems
von: Yao, Jiaqi, et al.
Veröffentlicht: (2025)

Efficient Sketches for Training Data Attribution and Studying the Loss Landscape
von: Schioppa, Andrea
Veröffentlicht: (2024)

Diffusion-Scheduled Denoising Autoencoders for Anomaly Detection in Tabular Data
von: Sattarov, Timur, et al.
Veröffentlicht: (2025)

LLM-Powered Text-Attributed Graph Anomaly Detection via Retrieval-Augmented Reasoning
von: Xu, Haoyan, et al.
Veröffentlicht: (2025)

Nonparametric Data Attribution for Diffusion Models
von: Zhao, Yutian, et al.
Veröffentlicht: (2025)

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

GUDA: Counterfactual Group-wise Training Data Attribution for Diffusion Models via Unlearning
von: Murata, Naoki, et al.
Veröffentlicht: (2026)

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

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

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

Multimodal Data Curation via Object Detection and Filter Ensembles
von: Huang, Tzu-Heng, et al.
Veröffentlicht: (2024)

ReTrack: Data Unlearning in Diffusion Models through Redirecting the Denoising Trajectory
von: Shi, Qitan, et al.
Veröffentlicht: (2025)

ShieldNN: A Provably Safe NN Filter for Unsafe NN Controllers
von: Ferlez, James, et al.
Veröffentlicht: (2020)

Data Attribution in Adaptive Learning
von: Rege, Amit Kiran
Veröffentlicht: (2026)

Accumulative SGD Influence Estimation for Data Attribution
von: Shi, Yunxiao, et al.
Veröffentlicht: (2025)