标签
本文将智能体联盟形成和智能体间通信形式化为合作博弈，提出了边际价值激活规则和基于Shapley的在线路由，以降低多智能体LLM系统中的token成本并提高效率，并提供了理论保证和合成模拟结果。
本文介绍了 SkillSV，一个结构感知的 Shapley 风格框架，用于对智能体技能的内部单元进行估值，并考虑依赖关系和层次结构。它在智能体基准上展示了更好的忠实度、可操作性和解释质量。
介绍了一种可扩展的、仅需推理的数据估值管线，该管线通过近似Shapley值来审计LLM对齐数据集，将手动审计搜索空间减少了99.1%，并揭示了HelpSteer2和HH-RLHF中隐藏的标签错误。
针对LLM多智能体系统中的贡献分配问题，提出语义合作博弈（SCG）和语义Shapley值（SSV）方法，并引入单轨迹算法SLIC，在保持与蒙特卡洛Shapley基线一致性的前提下，将计算成本降低93.3%。
本文提出了一类用于合作博弈的非线性公理归因方法，以克服线性Shapley值因零空间过大而导致的局限性。实验结果表明，与Shapley值变体相比，这些方法在包含AUC指标方面具有潜在的有效性。
提出DAG-SHAP，一种基于边干预的有向无环图特征归因新方法，解决了现有Shapley值方法在捕捉特征交互和因果关系方面的局限性。
SHAPE提出了一种面向稀疏MoE大语言模型的联盟感知专家剪枝框架，该框架利用路由轨迹上的Shapley式归因来识别关键专家，在20-40%剪枝率下实现了有竞争力的准确率，并降低了GPU内存占用。
本文提出了时衰减 Shapley（TDS），这是一种面向时间序列数据的数据估值框架，通过引入时衰减机制和多尺度融合策略，解决了样本值随时间变化的特性，在噪声检测和数据选择方面优于传统方法。