يقترح المؤلفون إطار عمل DMVM (Decentralized Multi-task Valuation via Model Merging)، الذي يكمّم مساهمات مجموعات البيانات للنماذج متعددة المهام دون إعادة التدريب أو مشاركة البيانات الخام. ومن خلال الاستفادة من الحسابيات الوظيفية لاستنتاج المنفعة الهامشية من تركيبات النماذج، تتناول هذه الطريقة التكاليف الحسابية والقيود الخاصة بالتقديرات التقليدية.
- يتجاوز إعادة التدريب ومشاركة البيانات من خلال استنتاج المساهمات مباشرةً من فضاء معاملات النموذج.
- يوفر بروتوكول تجميع آمن للتقييم التعاوني دون الكشف عن معاملات النماذج الفردية.
- يتضمن حدود خطأ نظرية تميّز جودة التقريب.
- تم التحقق منه عبر تجارب على مهام الرؤية الحاسوبية ومعالجة اللغة الطبيعية.
تقدم هذه النهج حلاً قابلاً للتوسع وفعالاً حسابياً لأسواق البيانات العادلة في البيئات اللامركزية ذات متطلبات الخصوصية الصارمة.