KAIROS：面向可扩展的模型无关数据定价框架

训练数据不仅塑造模型准确率，还影响AI资产的合规性和市场估值。然而，现有的定价方法尚不完善：基于模型的技术依赖单个拟合模型并继承其偏见，而基于算法的方法（如数据Shapley）在Web规模下需要高昂的重训练成本。最近的基于Wasserstein的模型无关方法依赖于近似，导致对排名与真实留后验（LOO）效用不够精准。我们引入KAIROS，一个可扩展且模型无关的定价框架，为每个样本分配分布式影响得分：其对经验训练分布与干净参考集之间的最大均值不等距（MMD）贡献。与Wasserstein代理不同，基于MMD的影响得分可推导出闭形式解，忠实地近似准确的LOO排名，误差仅为$O(1/N^2)$，无需重训练，并自然扩展到条件核，实现统一的标签和特征错误检测。此外，KAIROS支持高效的在线更新：当新批次大小为$m$时，所有得分可在$O(mN)$时间内更新，实现最高可达50倍的加速，同时不损失排名质量。实验在噪声、误标签和投毒基准测试中表明，KAIROS在准确性和运行时间方面 consistently优于基于模型、Shapley和Wasserstein的基线方法。我们提供了严格的理论保证，包括可重复排名的对称性和可解释阈值的密度分离。