著者らは、再学習や生データの共有を行わずにマルチタスクモデルのデータセット寄与度を定量化するフレームワークであるDMVM（Decentralized Multi-task Valuation via Model Merging）を提案する。タスク演算を活用してモデルの組み合わせから限界効用を推測することで、この手法は従来の評価アプローチが抱える計算コストとプライバシー制約に対処する。
- モデルパラメータ空間から直接寄与度を推測することで、再学習やデータ共有を回避する。
- 個々のモデルパラメータを開示せずに協調的な評価のための安全な集計プロトコルを提供する。
- 近似の品質を特徴づける理論的な誤差限界を含む。
- コンピュータビジョンおよび自然言語処理のタスクでの実験を通じて検証されている。
このアプローチは、厳格なプライバシー要件を持つ分散型環境における公平なデータマーケットプレイスに対して、スケーラブルで計算効率の高い解決策を提供する。