Авторы предлагают DMVM (Decentralized Multi-task Valuation via Model Merging) — фреймворк, который количественно оценивает вклад наборов данных для многозадачных моделей без переобучения или обмена сырыми данными. Используя арифметику задач для вывода предельной полезности из комбинаций моделей, метод решает проблемы вычислительных затрат и ограничений конфиденциальности традиционных подходов к оценке.
- Обходит необходимость переобучения и обмена данными, напрямую вычисляя вклад из пространства параметров модели.
- Предоставляет протокол безопасной агрегации для совместной оценки без раскрытия индивидуальных параметров моделей.
- Включает теоретические границы ошибок, характеризующие качество аппроксимации.
- Подтвержден экспериментами на задачах компьютерного зрения и обработки естественного языка.
Этот подход предлагает масштабируемое и вычислительно эффективное решение для справедливых рынков данных в децентрализованных средах со строгими требованиями к конфиденциальности.