Para penulis mengusulkan DMVM (Decentralized Multi-task Valuation via Model Merging), sebuah kerangka kerja yang mengkuantifikasi kontribusi dataset untuk model multi-tugas tanpa pelatihan ulang atau berbagi data mentah. Dengan memanfaatkan aritmetika tugas untuk menyimpulkan utilitas marjinal dari kombinasi model, metode ini mengatasi biaya komputasi dan batasan privasi dari pendekatan valuasi tradisional.
- Melewati pelatihan ulang dan berbagi data dengan menyimpulkan kontribusi langsung dari ruang parameter model.
- Menyediakan protokol agregasi yang aman untuk valuasi kolaboratif tanpa mengungkapkan parameter model individu.
- Mencakup batas kesalahan teoretis yang mengkarakterisasi kualitas aproksimasi.
- Tervalidasi melalui eksperimen pada tugas computer vision dan pemrosesan bahasa alami.
Pendekatan ini menawarkan solusi yang skalabel dan efisien secara komputasi untuk pasar data yang adil di lingkungan terdesentralisasi dengan persyaratan privasi yang ketat.