TICDA：表格上下文内数据归因

表格基础模型（TFM）通过利用上下文中提供的带标签示例进行条件化，无需更新任何参数，即可实现出色的预测性能。然而，单个示例如何影响给定预测，仍缺乏深入理解。这一空白在实践中十分重要：上下文通常由手头可用的带标签数据组成，可能因此纳入标签错误、冗余或低质量示例，从而降低性能。标准的数据归因方法无法直接迁移到 TFM 场景：基于重采样的方法（如 DemoShapley）需要进行组合数量级的前向传播，而基于梯度的估计方法（如影响函数）则要求计算训练样本对模型参数的影响，但上下文学习从不更新模型参数。我们提出 TICDA，这是一种直接利用基于 TFM 潜在嵌入训练的线性代理模型，在单次前向传播且几乎不增加成本的情况下，衡量上下文中每个示例影响的方法。我们在四项任务中表明，相较于其他方法，TICDA 实现了最佳的综合权衡：检测标注错误；在降低推理成本的同时整理上下文以保持预测准确率；生成可迁移至不同 TFM 的归因分数；以及支持高效主动学习的采集策略。