Les auteurs proposent DMVM (Decentralized Multi-task Valuation via Model Merging), un cadre qui quantifie les contributions des ensembles de données pour les modèles multi-tâches sans réentraînement ni partage de données brutes. En s'appuyant sur l'arithmétique des tâches pour inférer l'utilité marginale à partir de combinaisons de modèles, la méthode répond aux coûts computationnels et aux contraintes de confidentialité des approches d'évaluation traditionnelles.
- Contourne le réentraînement et le partage de données en inférant directement les contributions depuis l'espace des paramètres du modèle.
- Fournit un protocole d'agrégation sécurisé pour l'évaluation collaborative sans révéler les paramètres individuels des modèles.
- Inclut des bornes d'erreur théoriques caractérisant la qualité de l'approximation.
- Validé par des expériences sur des tâches de vision par ordinateur et de traitement du langage naturel.
Cette approche offre une solution évolutive et computationnellement efficace pour les places de marché de données équitables dans des environnements décentralisés avec des exigences strictes de confidentialité.