用于可信数据估值的方差缩减 Shapley 值估计
机器学习
2023-05-23 v5 机器学习
摘要
数据估值，尤其在算法预测与决策中量化数据价值，是数据交易场景中的基本问题。最广泛使用的方法是定义数据 Shapley 并通过置换采样算法近似之。为弥补阻碍数据市场发展的置换采样的大估计方差，我们提出一种使用分层采样的更鲁棒数据估值方法，名为方差缩减数据 Shapley（简称 VRDS）。我们从理论上说明了如何分层、各层取多少样本以及 VRDS 的样本复杂度分析。最后，在不同类型数据集与数据移除应用中说明了 VRDS 的有效性。
引用
@article{arxiv.2210.16835,
title = {Variance reduced Shapley value estimation for trustworthy data valuation},
author = {Mengmeng Wu and Ruoxi Jia and Changle Lin and Wei Huang and Xiangyu Chang},
journal= {arXiv preprint arXiv:2210.16835},
year = {2023}
}