본 논문은 확산 모델의 데이터 귀속 및 해석성 문제 해결을 위해 영향 함수 프레임워크를 개발합니다. 기존 지도 학습에서의 영향 함수는 특정 데이터 제거 시 손실 변화 예측에 사용되었지만, 본 논문에서는 확산 모델에 적용하여 특정 예시 생성 확률 변화를 여러 근사 측정값을 통해 예측하는 방법을 제시합니다. 여러 기존 방법들을 본 프레임워크의 특정 설계 선택으로 재해석하고, 확산 모델에 특화된 일반화된 Gauss-Newton 행렬 기반 K-FAC 근사를 통해 Hessian 계산의 확장성을 확보합니다. 제안된 방법이 Linear Data-modelling Score (LDS)나 상위 영향 제거 재학습과 같은 일반적인 평가에서 기존 데이터 귀속 방법보다 우수한 성능을 보이며, 별도의 하이퍼파라미터 튜닝이 필요 없음을 보입니다.
