本研究提出了一种基于影响函数的群体鲁棒样本重标定方法，旨在提高机器学习模型在子群体比例变化时的鲁棒性。该方法通过优化无群体标签数据的权重，提升模型性能，具有理论可靠性和实践高效性，优于传统方法。

本研究提出了一种基于影响函数的数据归因评估框架，旨在解决元学习在少样本学习中的训练数据问题，从而提高训练效率和可扩展性。

本研究探讨了最终训练模型在数据归因中的挑战，提出了一种测量模型对训练实例敏感性的方法，并统一了不同梯度方法的理论框架。结果表明，一阶方法的近似质量在进一步训练后下降，而影响函数方法的近似质量更稳定但整体较低。

本研究提出了一种Δ-影响方法，通过影响函数追踪并剔除受污染的训练数据。实验结果表明，该方法在多种攻击场景下优于现有的消除方法，有效应对数据毒化问题。

本研究探讨了多模态大语言模型中的失配和误标问题，提出了一种新颖的扩展影响函数，以更准确地评估数据对模型对齐的影响，从而提升模型的透明度和可解释性。

本研究提出了一种新算法，解决多目标变量预测集校准问题，尤其是在相关性不一致的情况下。通过非参数方法估计得分的联合分布，并利用影响函数提高估计效率，以实现理想的覆盖率和竞争力效率。

本文研究了影响函数在大规模数据集中的应用，发现其预测效果与实际效果显著相关。探讨了影响函数在NLP模型和神经网络中的有效性，提出了新的评分方法和算法，解决了微调过程中的高成本问题，并展示了在减少训练数据的情况下仍能保持性能的潜力。

本文探讨了影响函数技术在黑盒模型中的应用，证明其在非凸和不可导模型中也能提供有价值的信息。研究表明，影响函数可用于模型调试、错误检测及训练集攻击等方面。通过改进算法，提升了影响函数的运行效率，并提出了新方法LIFT和InjectTST，显著提高了多元时间序列预测的性能。