샤플리 값(Shapley value)은 선형성, 일관성, 동등 처리, 효율성의 공리를 유일하게 만족하기 때문에 기여도 귀속 문제에서 널리 사용되는 개념이다. 긍정적으로 기여하는 플레이어를 식별하기 위해 플레이어 순위의 품질을 평가하는 데 포함 AUC(inclusion AUC) 지표가 자주 사용된다. 그러나 이 목적을 위해 샤플리 값이 항상 신뢰할 수 있는 것은 아님이 증명될 수 있다. 핵심 문제는 그 선형성에 있다: 샤플리 값은 과도하게 큰 영공간(null space)을 가진 선형 연산자로 작동하며, 이 영공간에는 연산자가 구별하지 못하는 무시할 수 없는 섭동(perturbation)이 포함될 가능성이 높다. 이 한계를 해결하기 위해, 우리는 비선형 공리적 기여도 귀속 방법의 설계를 탐구한다. 샤플리 값의 대중적인 비선형 대안인 최소 코어(least core)에서 영감을 받아, 나머지 필수 공리들을 유지하는 비선형 기여도 귀속 방법의 클래스를 소개한다. 각 방법은 효용 함수(utility function)를 가능한 한 충실하게 근사하려는 최소화 문제의 유일한 최적해인 기여도 벡터(contribution vector)를 산출한다. 포함 AUC 지표 측면에서, 우리의 실험은 효율성 공리만을 완화하는 샤플리 값 변형들과 비교했을 때 이 방법들의 잠재적 효과를 입증한다. 코드는 https://github.com/watml/nonlinear-axiom 에서 확인할 수 있다.
대규모 언어 모델(LLM)의 정렬은 점점 더 데이터 품질에 의해 병목이 발생하고 있다. 데이터셋이 확장됨에 따라, 방대한 선호(preference) 및 인스트럭션 튜닝(instruction tuning) 코퍼스에는 필연적으로 숨겨진 구조적 모순, 안전성(safety) 위험, 체계적인 인간 어노테이션 오류가 누적된다. 의미 중복 제거(semantic deduplication)나 LLM-as-a-judge와 같은 표준 데이터셋 감사 방법은 개별 레코드의 실제 예측적 영향을 포착하기 어렵고, 종종 깊은 기능적 규칙 충돌을 놓친다. 이를 해결하기 위해, 우리는 반복적 모델 재학습 없이 Shapley value를 근사하는 확장 가능하고 추론 전용 데이터 가치 평가 파이프라인을 제안한다. 의미적 k-NN 이웃을 방향 그래프로 매핑함으로써, 우리 프레임워크는 제로샷(zero-shot) 및 원샷(one-shot) 조건부 로그 가능도(log-likelihood) 변화를 사용하여 참조 LLM의 확률 분포를 통해 데이터 유틸리티를 직접 평가한다. 우리 파이프라인은 이러한 예측적 영향 점수를 국소화된 advantage 지표로 변환하여 그래디언트 충돌 레코드를 분리한다. 우리는 두 개의 철저히 검증된 정렬 데이터셋을 정화하는 데 있어 파이프라인의 효과를 입증한다. 첫째, HelpSteer2 데이터셋에 우리 파이프라인을 적용하면 수동 감사 탐색 공간을 99.1% 줄였으며, 다양한 실패 모드에 걸쳐 잘못 라벨링된 레코드를 성공적으로 발견했다. 둘째, Anthropic의 HH-RLHF 학습 및 평가 분할에 자동화된 감사 전략을 적용하면 수천 건의 숨겨진 안전성 및 사실적 선호 역전(preference inversion)을 식별했다. 결정적으로, 이 감사를 평가 분할로 확장함으로써 현재 벤치마크 무결성의 심각한 취약점을 드러낸다: 고성능 모델은 더 안전하거나 더 도움이 되는 응답을 자주 예측하지만, 객관적으로 결함이 있는 인간 정답(ground-truth) 라벨에 의해 페널티를 받는다. 전반적으로, 우리 연구는 인간 라벨 실패를 밝혀내고, 평가 벤치마크를 정화하며, LLM 정렬 데이터의 무결성을 보장하는 수학적으로 근거 있는 고효율 진단 도구를 제공한다.
구간값 데이터의 이상치 탐지에 설명 가능성을 더하기 위해 Interval Minimum Covariance Determinant 기반 robust Interval-Mahalanobis 거리의 제곱에 Shapley value를 적용하고, 닫힌 형 표현으로 변수 기여도를 중심·범위·교차항 수준에서 분해한다. Shapley interaction index로 변수 쌍 상호작용과 셀 단위 이상치 식별을 확장하며, 두 실세계 데이터셋에서 실용성을 입증한다.
기존 계층적 연합 학습(HFL)의 클라이언트 선택은 파레토 효율성(PE)과 전략 불가능성(SP) 부재로 참가자가 선호를 왜곡하고 자원 할당이 비효율적이 된다. SCOPE-FL은 선택 문제를 양면 학교 선택으로 공식화해 최상위 거래 사이클(TTC)로 PE·SP를 동시에 보장하고, 원 라운드 재구성(OR) 기반 샤플리 값 근사와 블록체인 스마트 컨트랙트로 기여 비례 보상을 제공하며, MNIST·Fashion-MNIST·CIFAR-10에서 DA·IAS 등보다 정확도·수렴·보상 효율이 높다.