Los autores proponen DMVM (Decentralized Multi-task Valuation via Model Merging), un marco que cuantifica las contribuciones de los conjuntos de datos para modelos multitarea sin reentrenamiento ni intercambio de datos crudos. Al aprovechar la aritmética de tareas para inferir la utilidad marginal a partir de combinaciones de modelos, el método aborda los costos computacionales y las restricciones de privacidad de los enfoques de valoración tradicionales.
- Elude el reentrenamiento y el intercambio de datos al inferir contribuciones directamente desde el espacio de parámetros del modelo.
- Proporciona un protocolo de agregación seguro para la valoración colaborativa sin revelar los parámetros individuales de los modelos.
- Incluye límites teóricos de error que caracterizan la calidad de la aproximación.
- Validado mediante experimentos en tareas de visión por computadora y procesamiento de lenguaje natural.
Este enfoque ofrece una solución escalable y computacionalmente eficiente para mercados de datos justos en entornos descentralizados con estrictos requisitos de privacidad.