· Xiaojing Yang · Explainability and Responsible AI · 5 min read
English扩展数据归因：Monte Carlo Shapley、Surrogate Models 与 Hierarchical Attribution
为什么 exact Shapley 昂贵，以及可扩展 attribution 如何使用采样、surrogate models、datamodels 和 group→document→example 层级。
核心观点
Exact Shapley 随单位数量呈指数增长。可扩展归因必须依赖近似、结构化分层，或者两者结合。
这篇属于 Training Data Attribution for NLP and LLM Research 系列。它既是我的研究笔记，也是面试准备材料：每篇文章都要帮我把概念讲清楚，连接到自己的 thesis，并说明哪些部分可以成为博士阶段的扩展。
核心问题： 数据归因如何扩展到大量数据组、文档或样本？
直觉
五个数据组时，coalition 实验可能还能做；五千个文档时，如果朴素处理就完全不可行。扩展的核心是决定昂贵 retraining 预算花在哪里，哪些地方用近似。
这在 NLP 和 LLM 研究中特别重要，因为模型行为很大程度上由数据混合方式塑造。模型可能因为大规模网页文本而流畅，因为专业文档而领域准确，因为 curated instruction data 而更安全，也可能因为语料中重复出现的偏差模式而产生偏见。Training-data attribution 让我们可以系统地讨论这些问题，而不是笼统地说“数据很重要”。
形式化视角
Monte Carlo Shapley 通过采样 permutations 或 coalitions，而不是枚举所有子集。Surrogate models 或 datamodels 学习从数据 inclusion vector 预测 utility。Hierarchical attribution 先给粗粒度组打分，再深入高影响组的文档或样本层面。
解释 attribution score 之前，必须先定义清楚实验设置：
| 设计选择 | 必须回答的问题 |
|---|---|
| Attribution unit | 谁获得贡献：source、group、document、example 还是 token？ |
| Utility function | 解释哪种行为：质量、术语、风格、事实性还是安全性？ |
| Intervention | 是加入、删除、重加权、修正，还是重新训练？ |
| Estimator | 分数来自 exact、sampling、gradient、surrogate 还是 heuristic？ |
| Uncertainty | 分数在 seed、样本、指标和评估集上是否稳定？ |
NLP / LLM 例子
在领域 MT 中，我可以先对 source groups 做归因。如果 petroleum regulatory group 高影响，再把它拆成 document families，最后检查和术语错误相关的句对。这样既保持可解释性，也控制计算成本。
所以我不想把 attribution 写成普通可解释性教程。对我的背景来说，它最自然地连接到 multilingual and domain-specific NLP：低资源设定、技术术语、书面语标准差异，以及不止一个 headline metric 的模型评估。
和我的 thesis 的关系
在我的 thesis 叙事中，training-data attribution 的价值在于把模糊的数据问题变成实验设计：
- 定义可解释的数据单位；
- 定义要解释的模型行为；
- 比较受控的数据 coalition 或 intervention；
- 估计贡献；
- 报告不确定性和局限；
- 判断证据是否足够支持更强的因果式表述。
这个结构能帮助我避免 overclaiming。一个分数不会自动成为因果解释；它是特定设置下得到的测量结果。
我已经完成、理解、以及博士阶段可以扩展的内容
| 层次 | 状态 |
|---|---|
| 已完成 / thesis-ready | Group-level attribution、coalition thinking、基于指标的 utilities、谨慎解释、random baselines、bootstrap-style reliability checks。 |
| 理解但未必完整实现 | Instance-level gradient attribution、influence functions、TracIn、Monte Carlo Shapley、surrogate/datamodel approximations。 |
| 很适合博士扩展 | Hierarchical attribution、intervention-based validation、factuality/style-specific utilities、面向 LLM 数据混合的 scalable attribution。 |
面试回答版本
我会把 exact Shapley 解释为概念清晰但计算受限。一个现实的博士方向是 hierarchical attribution：从可解释数据组开始，在需要时使用 Monte Carlo 或 surrogate estimates，只把昂贵 retraining 用在最重要假设上。
参考资料和阅读路径
- Lloyd Shapley, A Value for n-Person Games.
- Ghorbani and Zou, Data Shapley: Equitable Valuation of Data for Machine Learning.
- Koh and Liang, Understanding Black-box Predictions via Influence Functions.
- Pruthi et al., Estimating Training Data Influence by Tracing Gradient Descent.
- Ilyas et al., Datamodels: Predicting Predictions from Training Data.
- Rei et al., COMET: A Neural Framework for MT Evaluation.