10:09arXiv cs.AI@Young Yoon, Jimin Kim, Soyeon Park该论文提出一种在完全委托的AI合作组织中分配奖励的框架,人类由代理表示,这些代理在异构价值约束下贡献数据并参与模型更新。核心思想是仅对通过每个委托人价值档案筛选的更新给予信用。框架包含价值条件梯度过滤、在线边际贡献信号以及基于遍历学习(TL)的累积收入结算。与FedAvg风格的联邦学习相比,TL通过保留显式遍历和梯度路径提供了更精细的归属基础。该工作对比了数据估值、联邦贡献估计、个性化联邦学习和多元对齐等领域。论文value-constrained credit assignmenttraversal learning联邦学习信用分配多元对齐推荐理由:这篇论文提出了一个在AI合作组织中公平分配奖励的框架,用遍历学习替代传统联邦学习,更精细地追踪每个数据贡献者的价值。原文