Data Shapley：面向机器学习的数据公平估值

随着数据成为驱动技术与经济增长的燃料，一个根本挑战是如何量化数据在算法预测与决策中的价值。例如，在医疗健康和消费市场中，有人建议应补偿个人所生成的数据，但尚不清楚对个体数据的公平估值是什么。本工作中，我们开发了一个原则性框架，以在有监督机器学习的背景下解决数据估值问题。给定在 $n$ 个数据点上进行训练以产生预测器的学习算法，我们提出 data Shapley 作为一种度量，以量化每个训练数据对预测器性能的价值。Data Shapley 值唯一地满足公平数据估值的若干自然性质。我们开发了蒙特卡洛和基于梯度的方法，以在复杂学习算法（包括神经网络）在大型数据集上训练的实际场景中高效估计 data Shapley 值。除了公平性之外，在生物医学、图像和合成数据上的大量实验表明 data Shapley 还具有若干其他益处：1）在提供关于哪些数据对给定学习任务更有价值的洞察方面，它比流行的留一法或杠杆得分更强大；2）低 Shapley 值数据有效捕获异常值与损坏；3）高 Shapley 值数据指示应获取何种类型的新数据以改进预测器。