Data Differentiator Framework (DDF)：在智能体评估流水线（SDSAE）中使用信息论与博弈论度量量化边际数据价值

arXiv:2610.28933v1 公告类型：新 摘要：在数据丰富的企业中，真正困难的问题不是判断候选数据集单独来看是否优质，而是判断它是否能在组织已有数据之外带来额外信息，以及这种增量是否值得其价格。我们提出 Data Differentiator Framework (DDF)，这是一种面向候选数据资产的综合评分方法，结合了：(i) 基于互信息、针对现有数据资产组合的冗余惩罚；(ii) 从消融研究中得出的、经过成本归一化并由显著性门控的边际效用评分；以及 (iii) 由业务方设定的明确治理输入（可信度、身份解析质量和战略权重）。该框架通过分阶段流水线 Strategic Data Sourcing Agent Ecosystem (SDSAE) 执行，对于未通过治理或冗余门控的数据资产，跳过成本高昂的模型重新训练步骤。从概念上看，DDF 将 mRMR 特征选择中的“相关性减冗余”原则从特征层面扩展到资产层面，并加入了成本归一化、统计显著性门控和治理项，而 Data Shapley 等逐样本估值方法并未对这些因素建模。我们使用公开的信用卡欺诈基准数据集（284,807 笔交易）对该框架进行验证，构造了覆盖不同冗余程度的五个候选数据资产。只有真正具有差异化的资产通过了显著性门控（$\Delta$AUC = +0.0029，DeLong $p = 1.4\times 10^{-9}$，Holm 校正后的 $p = 7.2\times 10^{-9}$），并获得采集建议（DDS = +0.663）；完全冗余的资产得分最低（DDS = -0.135）。在22种符合条件的战略权重配置中的19种配置下，以及在 [0.15, 0.66] 范围内的所有决策阈值下，该建议均保持稳定。我们明确说明了案例研究中哪些量是根据数据计算得出的，哪些量是模拟的治理输入，并讨论了基于单一数据集评估的设计局限性。