约束感知影响估计：深度约束学习中的方向影响函数 DIF

针对经典影响函数在约束学习中因数据扰动同时改变目标与可行域而失准的问题，研究者提出方向影响函数（DIF），将约束学习的最优性条件表述为变分不等式（VI）并分析数据扰动对该 VI 的影响。在约束线性回归中，DIF 能复现留一法重训练结果，而 IF 与基于惩罚的 IF 存在明显偏差；在公平约束 CNN 上，DIF 准确预测数据移除后的测试损失变化，并与实际重训练高度吻合。