Shapley值

Shapley值源于合作博弈论，用于公平分配联盟中各成员的贡献。近年来，它在机器学习可解释性和联邦学习激励机制中的应用日益广泛。近期进展集中在三个方面：首先，在联邦学习中，FedTSV方法将Shapley值应用于轨迹数据场景，通过考虑数据的时间序列特征，实现了更公平的贡献评估和奖励分配（FedTSV：用轨迹Shapley值实现公平联邦学习）。其次，在AI智能体网络中，SwarmHarness框架利用Shapley值设计去中心化激励对齐机制，确保多个智能体协作时贡献得到公正回报，提升了系统的稳定性和效率（SwarmHarness：去中心化激励对齐的AI智能体网络）。此外，针对Shapley值计算复杂度高的问题，ProxySHAP方法通过代理模型近似计算Shapley以及Banzhaf交互值，大幅降低了计算成本，使大规模模型解释成为可能（ProxySHAP：用代理模型高效近似 Shapley 和 Banzhaf 交互）。当前焦点在于如何平衡计算效率与近似精度，以及将Shapley值从传统静态场景拓展到动态、去中心化环境。未来值得观察的是Shapley值在更多实际应用（如医疗、金融）中的落地效果，以及与之结合的差分隐私等隐私保护技术。