🤖 machine learning

Quotient Semivalues for False-Name-Resistant Data Attribution

यह शोधपत्र कोटिएंट सेमीवैल्यूज़ (quotient semivalues) तंत्र प्रस्तुत करता है, जो मशीन लर्निंग डेटा एट्रिब्यूशन में साक्ष्य-आधारित क्लस्टरों में डेटा योगदान को एकत्रित करता है ताकि फॉल्स-नेम-प्रूफनेस (false-name-proofness) प्राप्त की जा सके, जिससे योगदानकर्ताओं को पहचान विभाजन या दोहराव के माध्यम से अपने पुरस्कारों को कृत्रिम रूप से बढ़ाने से रोका जा सके और साथ ही अपूर्ण प्रोवेनेंस (imperfect provenance) के तहत हेरफेर लाभ और निष्पक्षता हानि पर सैद्धांतिक सीमाएँ प्रदान की जा सकें।

मूल लेखक: Florian A. D. Burnat, Brittany I. Davidson

प्रकाशित 2026-05-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Florian A. D. Burnat, Brittany I. Davidson

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ इस शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

बड़ी समस्या: डेटा मार्केट में "फर्जी आईडी" का घोटाला

कल्पना कीजिए कि एक बाज़ार है जहाँ लोग AI को प्रशिक्षित करने के लिए डेटा (जैसे फोटो या टेक्स्ट) बेचते हैं। AI कंपनी यह तय करना चाहती है कि विक्रेताओं को उनके डेटा के योगदान के आधार पर कितनी उचित राशि दी जाए। आमतौर पर, वे यह पता लगाने के लिए शापली वैल्यू (Shapley Value) नामक एक गणितीय सूत्र का उपयोग करते हैं कि किसे क्या मिलना चाहिए। यह सूत्र बहुत अच्छा है क्योंकि यह तब तक 'फेयर' (न्यायपूर्ण) है जब तक कि हर कोई नियमों का पालन करता है।

लेकिन यहाँ एक पेंच है: वास्तविक दुनिया में, विक्रेता निष्क्रिय नहीं होते। वे चतुर होते हैं और अधिक पैसा कमाना चाहते हैं।

एक विक्रेता गलत नामों (जिसे सिबिल अटैक भी कहा जाता है) का उपयोग करके धोखाधड़ी कर सकता है।

विभाजन (The Split): एक बड़ा डेटासेट एक ही नाम के तहत सबमिट करने के बजाय, एक विक्रेता उसे दस छोटे टुकड़ों में बाँट देता है और उन्हें दस अलग-अलग फर्जी नामों के तहत सबमिट करता है।
डुप्लीकेशन (The Duplicate): एक विक्रेता अपने सबसे अच्छे फोटो लेता है, उनकी दस कॉपियाँ बनाता है, और उन्हें दस अलग-अलग "नए" डेटासेट के रूप में सबमिट करता है।
परिणाम: क्योंकि गणितीय सूत्र हर नाम को एक अलग व्यक्ति मानता है, इसलिए विक्रेता को उसकी वास्तविक मेहनत से दस गुना अधिक भुगतान मिलता है, भले ही उसने केवल एक ही डेटासेट दिया हो। यह एक जादूगर की तरह है जो एक डॉलर के नोट को दस अलग-अलग नोटों में विभाजित करता है और बदले में दस डॉलर की मांग करता है।

पेपर कहता है: आप एक साथ एक पूरी तरह से निष्पक्ष प्रणाली (Shapley) और एक ऐसी प्रणाली नहीं रख सकते जो इस तरह की धोखाधड़ी को रोक सके। यदि आप स्क्रीन पर दिखने वाले नामों के प्रति पूरी तरह से निष्पक्ष होने की कोशिश करते हैं, तो धोखेबाज अमीर बनने के लिए गणित का फायदा उठा लेंगे।

समाधान: "क्वोटिएंट सेमीवैल्यू" (समूह बनाने की रणनीति)

लेखक भुगतान करने का एक नया तरीका प्रस्तावित करते हैं। स्क्रीन पर दिखने वाले "नामों" को देखने के बजाय, सिस्टम डेटा की सामग्री (Content) को देखता है और समान चीजों को एक साथ समूह में डालता है।

इसे व्यक्तिगत ग्राहकों की लाइन के बजाय एक पोटलक डिनर (Potluck Dinner) की तरह समझें।

एविडेंस ग्राफ (जासूसी का काम):
सिस्टम एक जासूस की तरह काम करता है। यह सबमिट किए गए हर डेटा के टुकड़े को देखता है। यदि इसे दो फोटो लगभग एक जैसे (या बिल्कुल समान प्रतियां) दिखते हैं, तो यह उनके बीच एक रेखा खींच देता है। यह काम वह टेक्स्ट, इमेज और अन्य डेटा के लिए भी करता है।
- उदाहरण: एक क्लब के बाउंसर की कल्पना करें। यदि कोई फर्जी आईडी के साथ अंदर घुसने की कोशिश करता है, तो बाउंसर उसका चेहरा चेक करता है। यदि चेहरा पहले से मौजूद किसी व्यक्ति से मिलता है, तो उसे एक ही "ग्रुप" में डाल दिया जाता है।
क्लस्टर्स (समूह):
सिस्टम सभी जुड़े हुए डेटा को "क्लस्टर्स" में समूहित करता है।
- यदि कोई धोखेबाज 10 अलग-अलग नामों के तहत एक ही फोटो की 10 कॉपियाँ जमा करता है, तो सिस्टम देख लेगा कि वे सभी एक ही हैं और उन सबको एक ही समूह में डाल देगा।
- इसके बाद सिस्टम उस समूह का प्रतिनिधित्व करने के लिए एक "प्रतिनिधि" (Representative) चुनता है (जैसे कि सबसे स्पष्ट फोटो चुनना)।
भुगतान (क्वोटिएंट सेमीवैल्यू):
अब, गणित (शापली वैल्यू) का उपयोग फर्जी नामों पर नहीं, बल्कि समूहों (Groups) पर किया जाता है।
- समूह को उसके योगदान के लिए एक बार भुगतान किया जाता है।
- फिर, वह भुगतान उन लोगों के बीच विभाजित किया जाता है जिन्होंने उस समूह में डेटा सबमिट किया है।
- महत्वपूर्ण नियम: यदि कोई धोखेबाज अपने डेटा को 10 फर्जी नामों में बांट देता है, लेकिन वे सभी 10 नाम एक ही समूह में आते हैं, तो सिस्टम यह सुनिश्चित करता है कि उन्हें केवल एक व्यक्ति का हिस्सा ही मिले। वे सिस्टम को धोखा देकर दस गुना भुगतान नहीं करा सकते।

यह कैसे काम करता है (जादुई नियम)

पेपर यह सिद्ध करता है कि यह प्रणाली दो मुख्य शर्तों के तहत काम करती है:

"डबल-डिप्पिंग" (दोहरी कमाई) न करने का नियम: एक समूह के भीतर, सिस्टम को तटस्थ होना चाहिए। इससे कोई फर्क नहीं पड़ना चाहिए कि आपने अपना डेटा "बॉब" के रूप में जमा किया है या "बॉब-1" और "बॉब-2" के रूप में। समूह को मिलने वाला कुल पैसा वास्तविक अद्वितीय सामग्री के आधार पर विभाजित किया जाना चाहिए, न कि नामों की संख्या के आधार पर।
"स्थिर समूह" (Stable Group) का नियम: सिस्टम को यह पहचानने में सक्षम होना चाहिए कि एक "नकली" प्रति वास्तव में "असली" के समान है। यदि सिस्टम भ्रमित हो जाता है और सोचता है कि एक नकली प्रति एक बिल्कुल नया व्यक्ति है, तो धोखेबाज जीत सकता है।

क्या होता है जब सिस्टम परफेक्ट नहीं होता?

लेखक स्वीकार करते हैं कि कभी-कभी "जासूस" (समानता जांच प्रणाली) गलतियाँ कर सकता है।

फॉल्स स्प्लिट्स (False Splits): सिस्टम सोचता है कि दो एक जैसी फोटो अलग-अलग हैं। (धोखेबाज थोड़ा अतिरिक्त लाभ ले जाता है)।
फॉल्स मर्ज (False Merges): सिस्टम सोचता है कि दो बिल्कुल अलग लोगों के फोटो एक ही हैं। (ईमानदार लोगों को कम भुगतान मिलता है)।

पेपर एक गणितीय "सुरक्षा जाल" प्रदान करता है। यह कहता है कि भले ही सिस्टम गलतियाँ करे, लेकिन एक धोखेबाज द्वारा चुराए जाने वाले पैसे की मात्रा सीमित और अनुमानित होती है। यह निम्नलिखित पर निर्भर करता है:

धोखेबाज ने कितनी "बची हुई" कॉपियों को छिपाने में सफलता पाई।
सिस्टम का गणित कितना गलत था।
सिस्टम की मेमोरी में डेटा पॉइंट्स एक-दूसरे से कितनी दूर थे।

वास्तविक दुनिया का परीक्षण (द जिम)

लेखकों ने इसका परीक्षण करने के लिए DataMarket-Gym नामक एक वीडियो गेम जैसा वातावरण बनाया।

उन्होंने AI मॉडल और डेटा विक्रेताओं के साथ एक नकली बाज़ार बनाया।
उन्होंने "धोखेबाजों" को डेटा को विभाजित करने और डुप्लिकेट करने की कोशिश करने दी।
परिणाम:
- पुराना तरीका (स्टैंडर्ड शापली): धोखेबाज अपने भुगतान को 74% तक बढ़ा सकते थे (उन्हें हक से 1.74 गुना अधिक पैसा मिल रहा था)।
- नया तरीका (क्वोटिएंट सेमीवैल्यू): धोखेबाज अपने भुगतान को केवल 1% तक बढ़ा सके (उन्हें 0.96x मिला, जो कि लगभग ईमानदार राशि के बराबर है)।

उन्होंने इसका परीक्षण वास्तविक छवियों (जैसे कुत्ते और बिल्ली) और वास्तविक टेक्स्ट (समाचार लेख) पर किया। यह दोनों मामलों में काम कर गया, हालांकि उन्होंने पाया कि "जासूस" की संवेदनशीलता (यह कि समानता जांच कितनी सख्त होनी चाहिए) इस बात पर निर्भर करती है कि आप चित्रों को देख रहे हैं या शब्दों को।

एक वाक्य में सारांश

यह पेपर AI डेटा के लिए एक नया भुगतान सिस्टम बनाता है जो फर्जी नामों का उपयोग करके और डेटा को कॉपी करके अमीर बनने की कोशिश करने वाले धोखेबाजों को रोकता है, क्योंकि यह समान डेटा को एक साथ समूह में रखता है और प्रत्येक फर्जी नाम को अलग से भुगतान करने के बजाय पूरे समूह को एक इकाई के रूप में भुगतान करता है।

तकनीकी सारांश: फॉल्स-नेम-रेसिस्टेंट (False-Name-Resistant) डेटा एट्रिब्यूशन के लिए कोटिएंट सेमीवैल्यूज़ (Quotient Semivalues)

1. समस्या विवरण (Problem Statement)

डेटा मूल्यांकन विधियाँ, जैसे कि डेटा शापली (Data Shapley), भुगतान आवंटित करने और मशीन लर्निंग पाइपलाइनों में प्रशिक्षण डेटा के योगदान का ऑडिट करने के लिए डिज़ाइन की गई हैं। हालाँकि, ये विधियाँ आमतौर पर एक निश्चित सेट के निष्क्रिय योगदानकर्ताओं (passive contributors) को मानती हैं। वास्तविक दुनिया के डेटा बाजारों में, योगदानकर्ता रणनीतिक एजेंट होते हैं जो अपने हिस्से को बढ़ाने के लिए एट्रिब्यूशन तंत्र (attribution mechanism) में हेरफेर कर सकते हैं।

यह शोध पत्र फॉल्स-नेम मैनिपुलेशन (false-name manipulation) को एक महत्वपूर्ण विफलता मोड के रूप में पहचानता है। एक एकल गुप्त प्रदाता (latent provider) निम्न कार्य कर सकता है:

एक डेटासेट को कई छद्म पहचानों (pseudonymous identities) में विभाजित (Split) करना (Sybil attacks)।
उच्च-मूल्य वाले उदाहरणों को प्रतिकृति (Duplicate) बनाना या समान-निकट (near-duplicates) बनाना (पैराफ्रेस, ऑग्मेंटेशन, सिंथेटिक वेरिएंट्स)।
इवैल्यूएटर के वैलिडेशन सेट का लाभ उठाने के लिए सिंथेटिक वेरिएंट्स को लॉन्डर (Launder) करना।

मुख्य मुद्दा यह है कि रिपोर्ट की गई पहचानों पर मानक शापली-फेयर (Shapley-fair) एट्रिब्यूशन, प्रोत्साहन-अनुकूल (incentive-compatible) नहीं है। क्योंकि डेटा का मूल्य अक्सर गैर-योगात्मक (non-additive) और पूरक (complementary) होता है, इसलिए एक ही डेटासेट को कई पहचानों में विभाजित करने से हमलावर द्वारा प्राप्त शापली मूल्यों का योग, एक एकल ईमानदार पहचान द्वारा प्राप्त मूल्य की तुलना में बढ़ सकता है।

2. कार्यप्रणाली (Methodology)

2.1 औपचारिक मॉडल (Formal Model)

लेखक इस सेटिंग को गुप्त प्रदाताओं ( $N$ ) और सबमिट की गई पहचानों ( $m$ ) पर आधारित एक मैकेनिज्म डिज़ाइन समस्या के रूप में औपचारिक रूप देते हैं।

डेटा-वैल्यू गेम (Data-Value Game): एक मोनोटोन गेम जहाँ किसी गठबंधन (coalition) का मूल्य उस गठबंधन के पेलोड्स के यूनियन पर प्रशिक्षित लर्नर की उपयोगिता है।
मैनिपुलेशन क्लासेज (Manipulation Classes):
- फॉल्स-नेम स्प्लिट (False-name split): एक पहचान को $k \ge 2$ पहचानों से बदलना, जो मूल डेटा का विभाजन या प्रतिकृति धारण करती हैं।
- वेरिएंट अटैक (Variant attack): एक या अधिक पहचानों के तहत रूपांतरित कॉपियों (डुप्लिकेट्स, पैराफ्रेस, सिंथेटिक डेटा) को सबमिट करना।
गेन मेट्रिक (Gain Metric): वह योगात्मक (additive) या गुणात्मक (multiplicative) लाभ जो एक हमलावर ईमानदारी से रिपोर्ट करने की तुलना में पहचान संरचना में हेरफेर करके प्राप्त करता है।

2.2 असंभवता परिणाम (Impossibility Result)

यह शोध पत्र एक मौलिक असंभवता प्रमेय सिद्ध करता है: रिपोर्ट की गई पहचानों पर सटीक शापली-फेयर एट्रिब्यूशन, अनियंत्रित फॉल्स-नेम-प्रूफनेस (false-name-proofness) के साथ असंगत है।
यहाँ तक कि बाइनरी-वैल्यूड, मोनोटोन गेम्स (जैसे, यूनैनिटी गेम्स) पर भी, एक प्रदाता अपनी पहचान को कई छद्म नामों में विभाजित करके अपने कुल भुगतान को बढ़ा सकता है। उदाहरण के लिए, एक दो-खिलाड़ी यूनैनिटी गेम में जहाँ $v(\{A, B\}) = 1$ , प्रदाता $A$ को $1/2$ प्राप्त होता है। यदि $A$ खुद को $A_1, A_2$ में विभाजित करता है ताकि मूल्य के लिए तीनों ( $A_1, A_2, B$ ) की आवश्यकता हो, तो नए शापली मान $1/3$ प्रत्येक होंगे, जिससे $A$ के लिए कुल $2/3$ प्राप्त होगा। यह संरचनात्मक भेद्यता सामान्य सेमीवैल्यूज (बैनज़ाफ, बीटा-शापली) तक फैली हुई है, हालांकि लाभ की मात्रा भिन्न होती है।

2.3 कोटिएंट सेमीवैल्यू मैकेनिज्म (The Quotient Semivalue Mechanism)

इसे हल करने के लिए, लेखक कोटिएंट सेमीवैल्यू मैकेनिज्म का प्रस्ताव करते हैं, जो रणनीतिक इकाई को कच्चे सबमिट किए गए पहचानों से बदलकर साक्ष्य-आधारित एट्रिब्यूशन क्लस्टर्स (evidence-backed attribution clusters) में स्थानांतरित कर देता है।

एविडेंस ग्राफ और क्लस्टरिंग (Evidence Graph & Clustering):
- एक एविडेंस फंक्शन $e_\theta(u, u')$ यह निर्धारित करता है कि क्या दो इकाइयाँ (उदाहरण, दस्तावेज़) एक ही एट्रिब्यूशन ऑब्जेक्ट के रूप में मानी जाने के लिए पर्याप्त रूप से समान हैं (हैश, एम्बेडिंग, प्रोवेनेंस आदि के आधार पर)।
- यह एक ग्राफ बनाता है जहाँ जुड़े हुए घटक (connected components) क्लस्टर्स ( $C_1, \dots, C_K$ ) बनाते हैं।
क्लस्टर रिप्रेजेंटेटिव ऑपरेटर ( $R_\theta$ ):
- क्लस्टर के भीतर दोहराव (जैसे, किसी उदाहरण को अधिक भार देने के लिए उसकी 10 कॉपियां सबमिट करना) के माध्यम से हेरफेर को रोकने के लिए, एक कैनोनिकल रिप्रेजेंटेटिव ऑपरेटर प्रत्येक क्लस्टर को फिक्स्ड सेट के कैनोनिकल ट्रेनिंग यूनिट्स पर मैप करता है।
- रणनीतियों में शामिल हैं: सटीक-डुप्लिकेट को हटाना (exact-duplicate collapse), प्रति क्लस्टर इकाइयों की संख्या को सीमित करना, या वेट-नॉर्मलाइज्ड यूनियन।
कोटिएंट गेम (Quotient Game):
- एक नया सहकारी खेल बनाया जाता है जहाँ खिलाड़ी पहचान नहीं, बल्कि क्लस्टर्स होते हैं।
- क्लस्टर्स के गठबंधन का मूल्य उनके कैनोनिकल रिप्रेजेंटेटिव्स के यूनियन पर प्रशिक्षित लर्नर की उपयोगिता है।
सेमीवैल्यू गणना और आवंटन (Semivalue Calculation & Allocation):
- कोटिएंट गेम पर सेमीवैल्यूज (शापली, बैनज़ाफ, आदि) की गणना की जाती है।
- इन-क्लस्टर एलोकेशन (Within-Cluster Allocation): क्लस्टर को दिया जाने वाला भुगतान क्लस्टर के भीतर सबमिट की गई पहचानों के बीच वितरित किया जाता है। मैकेनिज्म के लिए एक फॉल्स-नेम-न्यूट्रल आवंटन नियम (जैसे, प्रत्येक पहचान द्वारा योगदान की गई कैनोनिकल इकाइयों की संख्या के आनुपातिक आवंटन) की आवश्यकता होती है ताकि यह सुनिश्चित हो सके कि क्लस्टर के भीतर पहचान को विभाजित करने से कुल हिस्सा न बढ़े।

3. मुख्य योगदान (Key Contributions)

औपचारिक मॉडल: गुप्त प्रदाताओं, सबमिट की गई पहचानों और ट्रांसफॉर्मेशन हमलों वाले डेटा-प्रदाता हेरफेर के लिए एक कठोर ढांचा।
असंभवता प्रमेय: यह प्रमाण कि कोई भी मैकेनिज्म रिपोर्ट की गई पहचानों पर सटीक शापली-फेयर और अनरिस्ट्रिक्टेड फॉल्स-नेम-प्रूफ दोनों नहीं हो सकता।
कोटिएंट सेमीवैल्यू मैकेनिज्म: एक रचनात्मक समाधान जो साक्ष्य-आधारित क्लस्टर्स के ऊपर सेमीवैल्यूज की गणना करता है और एक कैनोनिकल रिप्रेजेंटेटिव ऑपरेटर का उपयोग करता है।
सैद्धांतिक गारंटी:
- सटीक फॉल्स-नेम-प्रूफनेस: "कोटिएंट-स्टेबल" मैनिपुलेशन (जहाँ हमलावर अपने ईमानदार क्लस्टर से बच नहीं सकता या कैनोनिकल रिप्रेजेंटेटिव को बदल नहीं सकता) और फॉल्स-नेम-न्यूट्रल आवंटन के तहत प्राप्त की जाती है।
- अनुमानित गारंटी: तीन मापने योग्य मात्राओं के संदर्भ में मैनिपुलेशन गेन और फेयरनेस लॉस के संबंध में सीमाएँ: एस्केप्ड-क्लस्टर मास (वेरिएंट जो नए क्लस्टर बनाते हैं), वैल्यू-एस्टिमेशन एरर, और क्लस्टरिंग डिस्टेंस (रिप्रेजेंटेटिव में ड्रिफ्ट)।
DataMarket-Gym: रणनीतिक प्रदाता हमलों (सटीक डुप्लिकेट्स, निकट-डुप्लिकेट्स, सिंथेटिक लॉन्ड्रिंग और सिबिल स्प्लिटिंग) के तहत एट्रिब्यूशन मैकेनिज्म का मूल्यांकन करने के लिए एक नया बेंचमार्क।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखक सिंथेटिक और वास्तविक दुनिया के डेटासेट (CIFAR-10, AG News, STL-10, IMDB) पर मैकेनिज्म का मूल्यांकन करते हैं।

सिंथेटिक क्लासिफिकेशन:
- डुप्लिकेट/सिबिल हमलों पर रॉ आइडेंटिटीज़ पर बेसलाइन शापली ने 1.74 का मैनिपुलेशन गेन दिखाया।
- उदाहरण-स्तर के साक्ष्य (कोसाइन सिमिलरिटी $\theta=0.99$ ) के साथ कोटिएंट शापली ने इस गेन को घटाकर 0.96 कर दिया, जो प्रभावी रूप से हमले को बेअसर करता है और इसे लगभग ईमानदार स्तर पर वापस लाता है।
- मैकेनिज्म सेमीवैल्यू (शापली, बैनज़ाफ, बीटा-शापली) के चयन के प्रति रोबस्ट है।
थ्रेशोल्ड संवेदनशीलता (Threshold Sensitivity):
- कोसाइन थ्रेशोल्ड $\theta$ महत्वपूर्ण है। बहुत कम थ्रेशोल्ड "फॉल्स मर्ज" (स्वतंत्र प्रदाताओं का एक साथ आना) का कारण बनता है, जो सिबिल गेन को बढ़ा सकता है। बहुत उच्च थ्रेशोल्ड निकट-डुप्लिकेट्स को पकड़ने में विफल रहता है।
- पेपर एक डोमेन-विशिष्ट थ्रेशोल्ड रिवर्सल की पहचान करता है:
  - इमेज डोमेन (CIFAR-10) में, उच्च नॉर्म्स उच्च पेयरवाइज समानता की ओर ले जाते हैं; चेनिंग हमलों को रोकने के लिए एक सख्त थ्रेशोल्ड ( $\theta \ge 0.90$ ) की आवश्यकता होती है।
  - टेक्स्ट डोमेन (AG News) में, यूनिट-नॉर्मलाइज्ड एम्बेडिंग्स कम पेयरवाइज समानता रखते हैं; एक ढीला थ्रेशोल्ड ( $\theta \le 0.90$ ) इष्टतम है, क्योंकि सख्त थ्रेशोल्ड निकट-डुप्लिकेट्स को जोड़ने में विफल रहता है।
  - इष्टतम थ्रेशोल्ड एम्बेडिंग सांख्यिकी (पेयरवाइज p90 और चेनिंग-फ्लोर मिक्स्ड-कंपोनेंट फ्रैक्शन) से अनुमानित है।
रियल-वर्ल्ड ट्रांसफर:
- मैकेनिज्म बिना ऑरेकल एक्सेस के फ्रोजन-फीचर पाइपलाइन्स (ResNet-18, MiniLM) पर सफलतापूर्वक ट्रांसफर होता है, जो इसकी व्यावहारिक व्यवहार्यता की पुष्टि करता है।
- प्योर-स्प्लिट अटैक (कोई ओवरलैप नहीं वाला विलग डेटा) केवल समानता साक्ष्य द्वारा undefended रहते हैं, जिसके लिए नॉन-एग्जांपल-लेवल प्रोवेनेंस (जैसे, अकाउंट लिंकेज, KYC) की आवश्यकता होती है।

5. महत्व और दावे (Significance and Claims)

लेखक दावा करते हैं कि शापली-फेयर डेटा एट्रिब्यूशन स्वतः ही प्रोत्साहन-अनुकूल नहीं है जब पहचान अंतर्जात (endogenous) होती हैं। इस कार्य का महत्व यहाँ है:

रणनीतिक बोझ को स्थानांतरित करना: एट्रिब्यूशन की इकाई को परिवर्तनशील पहचानों से बदलकर साक्ष्य-आधारित क्लस्टर्स में ले जाने से शापली-शैली की निष्पक्षता और सिबिल प्रतिरोध के बीच एक नियंत्रित ट्रेड-ऑफ संभव होता है।
सशर्त संभावना: जबकि अनियंत्रित मैनिपुलेशन के तहत सटीक शापली निष्पक्षता असंभव है, कोटिएंट मैकेनिज्म एक "नियंत्रित ट्रेड-ऑफ" को पुनः प्राप्त करता है जब समानता और प्रोवेनेंस सिग्नल मैनिपुलेटेड वेरिएंट्स को एक ही यूनिट में सफलतापूर्वक समेकित कर पाते हैं।
व्यावहारिक तैनाती: यह मैकेनिज्म "सेमीवैल्यू-एग्नोस्टिक" है, जिसका अर्थ है कि इसे विभिन्न वैल्यूएशन बैकएंड्स (शापली, बैनज़ाफ, आदि) के साथ तैनात किया जा सकता है और यह एस्टिमेटर नॉइज़ के प्रति रोबस्ट है।
पूरकता: यह दृष्टिकोण "फेथफुल ग्रुप शापली वैल्यूज" (जो फिक्स्ड डेटासेट के शेल-कंपनी एग्रीगेशन के खिलाफ रक्षा करता है) के कार्य का पूरक है, क्योंकि यह डेटा कंटेंट के बदले जाने (डुप्लिकेट, पैराफ्रेस, सिंथेसाइज) के मामले में एट्रिब्यूशन यूनिट के निर्माण को संबोधित करता है।

लेखक निष्कर्ष निकालते हैं कि एट्रिब्यूशन की इकाई एक मैकेनिज्म-डिज़ाइन विकल्प है, और कोटिएंट सेमीवैल्यू उन डेटा बाजारों के लिए एक मजबूत ढांचा प्रदान करता है जहाँ प्रदाता रणनीतिक होते हैं।