SG-OIF: Neues Framework für Echtzeit-Analyse von Einflussfaktoren in Vision-Modelle

Die Bewertung, wie einzelne Trainingsbeispiele die Vorhersagen eines tiefen Vision-Modells beeinflussen, ist entscheidend für die sichere Nutzung von KI in der Bildverarbeitung. Traditionelle Einflussfunktionen, die angeben, wie ein infinitesimales Auf- oder Abheben eines Trainingspunkts die Ausgabe verändert, sind jedoch in modernen Deep‑Learning‑Architekturen schwer umzusetzen. Die Berechnung der inversen Krümmung ist rechenintensiv, und die Nicht‑Stationarität des Trainingsprozesses macht statische Annäherungen unzuverlässig.

Frühere Ansätze haben versucht, die Kosten durch iterative Löser und Low‑Rank‑Approximationen zu senken. Diese Verfahren laufen jedoch offline und hinken dem Training hinterher. Zudem fehlt ihnen eine robuste Kalibrierung der Modellkonfidenz, was zu fragilen Rangordnungen führt und kritische Beispiele falsch identifiziert.

Mit dem Stability‑Guided Online Influence Framework (SG‑OIF) wird ein neuer Ansatz vorgestellt, der algorithmische Stabilität als Echtzeit‑Steuerung nutzt. Das System speichert leichte Anchor‑IHVPs (Inverse Hessian‑Vector‑Products) mithilfe von stochastischen Richardson‑ und vorwärtsgerichteten Neumann‑Methoden. Durch modulare Krümmungs‑Backends kann SG‑OIF die Einflusswerte pro Beispiel dynamisch anpassen, indem es Stabilitäts‑Guided‑Residual‑Schwellen, Anomalie‑Gateways und Konfidenz‑Maße einsetzt.

Experimentelle Ergebnisse zeigen, dass SG‑OIF den aktuellen Stand bei der Erkennung von Rausch‑Labels und Out‑of‑Distribution‑Beispielen über mehrere Datensätze hinweg übertrifft. Auf CIFAR‑10 mit 20 % asymmetrischem Rauschen erreicht das Framework 91,1 % Genauigkeit bei den Top‑1 % der Vorhersagen, während es auf MNIST einen AUPR‑Score von 99,8 % erzielt. Diese Leistungen demonstrieren, dass SG‑OIF ein praktikabler, zuverlässiger Controller für die Online‑Einflussanalyse in Vision‑Modellen darstellt.

Durch die Kombination von Echtzeit‑Stabilitätskontrolle, effizienten Krümmungsberechnungen und einer robusten Konfidenz‑Kalibrierung bietet SG‑OIF eine neue Möglichkeit, die Vertrauenswürdigkeit von Deep‑Learning‑Vision‑Systemen zu erhöhen und ihre sichere Bereitstellung in der Praxis zu unterstützen.