CS-Shapley：用于分类中数据估值的类-wise Shapley 值

数据估值，即个体数据贡献的估值，因其在噪声标签检测等任务中已证实的有效性，在机器学习中受到日益增长关注。特别地，由于可取的公理性质，已有若干 Shapley 值近似方法被提出。这些方法中，价值函数通常定义为整个开发集上的预测精度。然而，这限制了对有益于或有害于其自身类的训练实例的区分能力。直观上，有害于自身类的实例可能为噪声或误标，应获得比有益实例更低的估值。本工作中，我们提出 CS-Shapley，一种带有新价值函数的 Shapley 值，可区分训练实例的类内与类外贡献。我们的理论分析表明，所提价值函数（本质上）是满足分类中数据估值两项可取性质的唯一函数。此外，我们在两个基准评估任务（数据移除与噪声标签检测）和四个分类器上的实验证明了 CS-Shapley 优于现有方法。最后，我们评估了从一个分类器估计的数据值向其他分类器的“可迁移性”，结果表明基于 Shapley 的数据估值可跨不同模型应用迁移。