本研究通过引入Shapley交互（SIs）解决了Shapley值在特征归因和数据估值中的局限性，提升了对黑箱模型的理解。shapiq是一个开源Python包，整合算法，高效计算Shapley值和SIs，并提供基准测试工具评估性能。

本文介绍了一种新的数据估值框架OpenDataVal，利用Wasserstein距离和敏感性分析方法，能够有效识别低质量数据并提升性能。该框架支持多种数据估价算法的比较，并通过实验验证了其有效性。此外，介绍了高效聚类框架SkeVa family和新数据评估方法Data-OOB，均在大规模数据集上表现优异。

本文综述数据估值方法，重点介绍基于Shapley值的数据价值评估。研究提出高效近似算法，速度提升最高9.9倍；发展分布Shapley、Beta Shapley、概率Shapley及DU-Shapley等框架，以解决传统方法局限。同时提出OpenDataVal基准和强化学习元学习框架，可检测低质量数据，提升模型性能与可信度。

本文综述了Shapley值在机器学习中的应用，包括：提出公平感知多臂赌博算法以提升用户参与度；开发分布式数据Shapley（DShapley）识别有用或有害数据；评估医学影像训练数据价值；提出概率Shapley量化数据贡献；TS-DShapley降低计算成本并提升语言模型性能；Beta Shapley统一数据估值方法；Shapley Pruning保护神经网络；Active Data Shapley提高主动学习效率。

该文综述Shapley值在机器学习中的应用，涵盖特征选择、可解释性、数据估值与多智能体强化学习，并提出powershap、P-Shapley、DShapley、SimSHAP等新方法以提升估计效率与准确性，同时指出Shapley值不反映因果关系，特征选择未必得到最优模型。