자료마다 다른 기여
같은 학습 자료 안에서도 예측기에 도움이 되는 정도는 예시마다 다를 수 있다. 데이터 섀플리는 정해진 학습 알고리즘과 예측 성능을 기준으로 각 예시의 가치를 정의한다.
가치 평가의 성질
원 연구는 공평한 데이터 가치 평가에 관한 여러 성질을 제시했다. 해당 성질을 만족하는 값으로 데이터 섀플리를 사용해 평가를 구성했다.
계산의 근사
복잡한 학습 알고리즘과 큰 자료에서도 사용할 수 있도록 몬테카를로 및 기울기 기반 추정 방법을 개발했다. 정확한 전수 계산 대신 근사를 활용하는 접근이다.
자료 분석의 활용
영상과 생의학, 합성 자료에서 평가했다. 낮은 값의 예시로 오류나 이상치를 찾고 높은 값의 자료로 앞으로 확보할 자료의 방향을 조사하는 활용을 제시했다.
관련 문서
DVRL / TracIn / 영향 함수 기반 학습 자료 추적 / SHAP / ROAR 설명 평가 / LIME