저자들은 재학습이나 원시 데이터 공유 없이 다중 작업 모델의 데이터셋 기여도를 정량화하는 프레임워크인 DMVM(Decentralized Multi-task Valuation via Model Merging)을 제안합니다. 작업 산술(task arithmetic)을 활용하여 모델 조합에서 한계 효용을 추론함으로써, 이 방법은 전통적인 가치 평가 접근 방식이 안고 있는 계산 비용과 프라이버시 제약을 해결합니다.
- 모델 매개변수 공간에서 직접 기여도를 추론하여 재학습과 데이터 공유를 우회합니다.
- 개별 모델 매개변수를 노출하지 않고 협력적 가치 평가를 위한 안전한 집계 프로토콜을 제공합니다.
- 근사 품질을 특징짓는 이론적 오차 한계를 포함합니다.
- 컴퓨터 비전 및 자연어 처리 작업에 대한 실험을 통해 검증되었습니다.
이 접근 방식은 엄격한 프라이버시 요구 사항이 있는 분산 환경에서 공정한 데이터 시장플레이스를 위해 확장 가능하고 계산적으로 효율적인 솔루션을 제공합니다.