في عالم الذكاء الاصطناعي، تمثل دقة وكفاءة تقييم مجموعات البيانات حجر الزاوية لإنشاء أسواق بيانات عادلة وشفافة، خاصة عندما يتعاون عدة مساهمين لتدريب نماذج متعددة المهام. ومع ذلك، فإن معظم أساليب التقييم التقليدية تقتصر على إعدادات المهام الفردية، مما يغفل السيناريوهات التي يسعى فيها المشترون لتحسين الأداء عبر مهام متعددة.

الأساليب التقليدية، مثل أساليب شابلي (Shapley) أو إعادة التدريب، تستهلك موارد حسابية كبيرة وتكون غير ملائمة للبيئات اللامركزية التي تفتقر إلى منسق مركزي موثوق وتواجه قيوداً صارمة على الخصوصية. لمواجهة هذه التحديات، تم تقديم إطار عمل جديد يُعرف باسم DMVM (تقييم المجموعات اللامركزية متعددة المهام عبر دمج النماذج).

هذا الابتكار يتجاوز الحاجة لإعادة التدريب ومشاركة البيانات من خلال الاستفادة من الحسابات المتعلقة بالمهام لاستنتاج مساهمات مجموعات البيانات مباشرة من خلال دمج النماذج. بدلاً من إعادة التدريب أو مشاركة البيانات الخام، يقوم DMVM بتقييم كيفية تفاعل النماذج المدربة على مجموعات بيانات مختلفة في مساحة المعلمات لتحديد الفائدة الهامشية لكل مجموعة بيانات عبر مهام متعددة.

توفر هذه الصياغة عملية تقييم مجهزة للتوسع وسهلة الحساب، ومتوافقة تمامًا مع سلوك التعميم في المهام المتعددة. لدعم نشر اللامركزية، تم إدخال بروتوكول تجميع آمن يمكّن من التقييم التعاوني دون كشف عن معلمات النماذج الفردية أو البيانات الخاصة. بالإضافة إلى ذلك، يتم تقديم حدود نظرية للأخطاء تُحدد جودة التقريب لـ DMVM، ويتم التحقق من إطار العمل من خلال تجارب شاملة على مهام الرؤية الحاسوبية ومعالجة اللغة الطبيعية.