CHG Shapley: 高效的数据评估与选择，迈向可靠的机器学习
原文中文，约1500字，阅读约需4分钟。
📝
内容提要
本文提出了一种高效的近似数据 Shapley 值方法，能够在不同学习设置中提高计算速度，最高可达 9.9 倍。研究表明，该方法在评估数据价值时优于其他方法，有效提升预测器性能。此外，文中探讨了基于概率分类器的 Shapley 值和分布式数据 Shapley 值的应用，提供了新的算法和理论支持。
❓
Q&A
什么是近似数据 Shapley 值方法？
近似数据 Shapley 值方法是一种高效的算法，用于在不同学习设置中评估数据的价值，计算速度最高可达 9.9 倍。
该方法如何提升预测器的性能？
该方法通过更准确地评估数据价值，优于其他流行评估方法，从而有效提升预测器的性能。
什么是概率 Shapley 值（P-Shapley）？
概率 Shapley 值（P-Shapley）量化每个数据点对概率分类器的边际贡献，帮助评估数据的重要性。
TS-DShapley 算法的主要优势是什么？
TS-DShapley 算法通过高效的基于采样的方法显著减少了 Shapley 基于数据评估的计算成本。
分布式数据 Shapley 值（DShapley）有什么应用？
DShapley 可用于识别对学习算法有用或有害的数据点，并提供快速估计的新算法。
如何评估训练数据对肺炎检测算法的价值？
使用数据 Shapley 方法评估训练数据，发现高 Shapley 值的训练数据对肺炎检测算法性能至关重要。
🏷️
