通过数据效用学习改进基于合作博弈论的数据估值
机器学习
2022-04-08 v2
摘要
Shapley值（SV）与最小核心（LC）是合作博弈论中用于成本/利润分配问题的经典方法。这两种方法近来都被提出作为数据估值任务的原则性解决方案，即量化机器学习中单个数据样本的贡献。然而，由于需要在组合众多的数据子集上重新训练模型，SV与LC都面临计算挑战。在本工作中，我们提出通过学习估计学习算法在未见数据组合上的性能，来提升Shapley值或最小核心的计算效率。理论上，我们推导了预测学习性能误差与SV和LC近似误差之间的界限。在实验上，我们表明所提方法能显著提升SV和LC估计的准确度。
引用
@article{arxiv.2107.06336,
title = {Improving Cooperative Game Theory-based Data Valuation via Data Utility Learning},
author = {Tianhao Wang and Yu Yang and Ruoxi Jia},
journal= {arXiv preprint arXiv:2107.06336},
year = {2022}
}