Os autores propõem o DMVM (Decentralized Multi-task Valuation via Model Merging), um framework que quantifica as contribuições dos conjuntos de dados para modelos multitarefa sem retreinamento ou compartilhamento de dados brutos. Ao alavancar a aritmética de tarefas para inferir a utilidade marginal a partir de combinações de modelos, o método aborda os custos computacionais e as restrições de privacidade das abordagens tradicionais de avaliação.
- Contorna o retreinamento e o compartilhamento de dados ao inferir contribuições diretamente do espaço de parâmetros do modelo.
- Fornece um protocolo de agregação seguro para avaliação colaborativa sem revelar os parâmetros individuais dos modelos.
- Inclui limites teóricos de erro que caracterizam a qualidade da aproximação.
- Validado por meio de experimentos em tarefas de visão computacional e processamento de linguagem natural.
Esta abordagem oferece uma solução escalável e computacionalmente eficiente para mercados de dados justos em ambientes descentralizados com requisitos rigorosos de privacidade.