Shapley值源于合作博弈论，近年来因其在可解释人工智能和公平分配中的潜力而备受关注。近期研究主要围绕三个方向：一是将Shapley值应用于联邦学习中的贡献评估（如FedTSV），二是用于去中心化系统中智能体的激励对齐（如SwarmHarness），三是对Shapley值计算效率的改进（如ProxySHAP）。此外，在演化数据市场中，Shapley值也被用于协调多智能体间的数据交易（如CHRONOS）。
- 主要进展包括：
- FedTSV 提出使用轨迹Shapley值（Trajectory Shapley Value）来评估联邦学习中各参与方的贡献，旨在实现更公平的激励机制，特别适用于边缘设备和动态数据场景。
- SwarmHarness 将Shapley值用于去中心化AI智能体网络的激励对齐，通过计算各智能体对整体任务绩效的边际贡献，实现无需中央权威的公平奖励分配。
- CHRONOS 面向演化数据市场，提出时序感知的多智能体协调架构，其中Shapley值被用来评估随时间变化的数据价值，以优化交易策略。
- ProxySHAP 针对解释性AI中Shapley值和Banzhaf交互的计算负担，提出使用代理模型进行高效近似，显著降低复杂度，同时保持精度。
当前焦点集中在如何平衡Shapley值的计算成本与实用性，尤其是在实时或大规模系统中。未来观察点包括：Shapley值在异构、动态环境中的适应性，以及与其他博弈论概念（如Banzhaf值）的融合趋势。