AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：Shapley值×
6月16日
20:46
6月12日
12:57
6月11日
15:28
15:23
15:07
5月29日
12:12
12:12arXiv cs.LG@Daniel Kuznetsov, Ziqi Wang
联邦学习面临客户端贡献不均和动态变化的问题，传统固定权重聚合方法导致学习偏差和不稳定。本文提出轨迹Shapley值（TSV），一种基于验证集和时序一致性的贡献度量，能评估每个客户端对全局模型优化轨迹的影响。基于TSV，作者设计了FedTSV自适应聚合方法，将每轮评估转化为动态客户端权重，实时应对异构和对抗性参与。在基准数据集上的实验表明，FedTSV加速收敛、提升鲁棒性，并实现更公平的贡献评估，为公平感知联邦优化提供了理论基础。
论文联邦学习公平性Shapley值自适应聚合分布式训练
推荐理由：联邦学习团队终于有了一个能动态衡量客户端贡献的方法——FedTSV解决了固定权重带来的不公平和训练不稳定问题，做分布式模型训练的开发者可以直接参考实验效果。
原文
5月28日
11:29
11:29arXiv cs.AI@Edwin Jose
精选
SwarmHarness 提出了一种去中心化协议，让闲置的 GPU 算力（个人工作站、推理服务器、边缘设备）通过技能节点自组织成计算集群，无需中央协调或区块链基础设施。其核心组件包括基于分布式哈希表的节点发现、基于效用函数的任务路由，以及基于 Shapley 值的信用激励机制。节点通过贡献算力赚取信用，消耗信用提交任务，不贡献的节点信用耗尽后失去路由优先级，形成自调节的参与经济。该协议不仅用于算力共享，还作为自主分布式 AI 智能体网络的基础原语，支持智能体之间无需人工介入地雇佣算力、路由子任务和结算信用。
论文去中心化算力智能体网络激励对齐任务路由Shapley值
推荐理由：SwarmHarness 解决了闲置算力无法安全共享的核心痛点，做分布式计算或 AI 智能体网络的开发者可以直接参考其激励设计，无需依赖中心化云市场或复杂区块链。
原文
5月22日
11:15
11:15arXiv cs.AI@Santo M. A. R. Thies, Hubert Baniecki, R. Teal Witter, Eyke Hüllermeier, Maximilian Muschalik, Fabian Fumagalli
精选
ProxySHAP 是一种新的交互指数估计方法，解决了现有方法在速度和精度之间的权衡问题。它结合了树代理模型的高样本效率和残差校正的一致性路径，理论上推导了树集成交互指数的多项式时间算法，避免了指数级复杂度。实验表明，ProxySHAP 在近似质量上达到新 SOTA，在数千特征的大规模应用中误差最低，显著优于 ProxySPEX 和 KernelSHAP-IQ。该方法为机器学习中的高阶交互分析提供了实用且准确的工具。
论文可解释性Shapley值交互指数代理模型树集成
推荐理由：做模型可解释性研究的团队终于有了兼顾速度和精度的交互指数估计器——ProxySHAP 在数千特征场景下仍保持低误差，值得直接替换现有方法。
原文