阈值 KNN-Shapley：一种线性时间且隐私友好的数据估值方法

数据估值旨在量化个体数据源在训练机器学习（ML）模型中的有用性，是数据中心 ML 研究的关键方面。然而，尽管数据估值十分重要，其面临着显著却常被忽视的隐私挑战。本文以当今最实用的数据估值方法之一 KNN-Shapley 为焦点研究这些挑战。我们首先强调 KNN-Shapley 固有的隐私风险，并展示了将 KNN-Shapley 改造以适应差分隐私（DP）的技术困难。为克服这些挑战，我们引入 TKNN-Shapley，一种精炼的、隐私友好的 KNN-Shapley 变体，允许直接修改以纳入 DP 保证（DP-TKNN-Shapley）。我们表明 DP-TKNN-Shapley 具有若干优势，并在辨别数据质量方面相比朴素私有化 KNN-Shapley 提供了更优的隐私-效用权衡。此外，即便非私有的 TKNN-Shapley 也取得了与 KNN-Shapley 相当的性能。总体而言，我们的发现表明 TKNN-Shapley 是 KNN-Shapley 的一种有前景的替代方案，尤其适用于涉及敏感数据的现实应用。