作者提出了 DMVM（Decentralized Multi-task Valuation via Model Merging），这是一个无需重新训练或共享原始数据即可量化多任务模型数据集贡献的框架。该方法利用任务算术从模型组合中推断边际效用，从而解决了传统估值方法的计算成本和隐私限制问题。
- 通过直接从模型参数空间推断贡献，绕过重新训练和数据共享。
- 提供安全的聚合协议，用于在不泄露单个模型参数的情况下进行协作估值。
- 包含表征近似质量的理论误差界限。
- 通过在计算机视觉和自然语言处理任务上的实验得到验证。
这种方法为具有严格隐私要求的去中心化环境中的公平数据市场提供了可扩展且计算高效的解决方案。