动态Shapley计算
机器学习
2026-05-21 v1 数据库
计算机科学与博弈论
摘要
基于Shapley的值提供了对训练数据贡献的原则性量化方式，但其高计算成本使其在任务和训练玩家演化的动态设置中难以实用。现有方法将Shapley计算视为一次性过程，并将贡献压缩为聚合分数，无法重用且在任何变更下都需要重新计算。我们提出一种新视角，将Shapley值表示为玩家-任务矩阵，形式化动态估值作为结构化矩阵维护问题。我们利用每个任务依赖于小子集训练玩家且相似任务产生相似估值的事实，导致效用局域性和联盟局域性。基于这些洞见，我们提出D-Shap，这一动态估值框架通过仅修改矩阵的小部分来实现高效更新：新任务估值通过结构感知插值推断，而由新玩家引起的更新局限于受影响的局部矩阵块。为消除对预指定评估任务的需求，我们引入自估值，该方法直接从训练数据构建初始矩阵，受益于可扩展的子集重用和覆盖感知锚点选择。实验在多样化模型上表明，D-Shap可以在毫秒级完成任务更新，并将玩家更新成本降低最高可达三个数量级，同时实现与完全重新计算相当的估值质量。
引用
@article{arxiv.2605.20620,
title = {Dynamic Shapley Computation},
author = {Xuan Yang and Hsi-Wen Chen and Ming-Syan Chen and Jian Pei},
journal= {arXiv preprint arXiv:2605.20620},
year = {2026}
}