无论是机器学习还是人类学习，似乎一个永恒的问题摆在外部指导者的面前：“我究竟做错了什么使得它（他）的学习效果不理想？” — David 9
之前我们提到过，端到端学习是未来机器学习的重要趋势。
可以想象在不久的将来，一切机器学习模型可以精妙到酷似一个“黑盒”，大多数情况下，用户不再需要辛苦地调整超参数，选择损失函数，尝试各种模型架构，而是像老师指导学生一样，越来越关注这样一个问题：我究竟做错了什么使得它的学习效果不理想？是我的训练数据哪里给的不对？
今年来自斯坦福的ICML最佳论文正是围绕这一主题，用影响函数（influence functions）来理解机器模型这一“黑盒”的行为，洞察每个训练样本对模型预测结果的影响。
文章开篇结合影响函数给出单个训练样本 z 对所有模型参数 θ 的影响程度 I 的计算:
其中 ε 是样本 z 相对于其他训练样本的权重, 如果有 n 个样本就可以理解为 1/n 。
是Hessian二阶偏导矩阵, 蕴含所有训练样本(总共 n 个)对模型参数θ 的影响情况.
而梯度
蕴含单个训练样本 z 对模型参数 θ 的影响大小. 继续阅读ICML 2017论文精选#1 用影响函数(Influence Functions)理解机器学习中的黑盒预测（Best paper award 最佳论文奖@斯坦福）