우리는 인간이 이질적인 가치 제약(value constraints) 하에서 데이터를 기여하고 모델 업데이트에 참여하는 에이전트로 표현되는, 완전 위임된 AI 협동조합(fully delegated AI cooperatives)을 위한 보상 할당 프레임워크를 제안합니다. 핵심 아이디어는 각 위임자(principal)의 가치 프로필(value profile)에 따라 스크리닝한 후에도 허용 가능한(admissible) 업데이트에 대해서만 신용(credit)을 부여하는 것입니다. 우리는 순회 학습(traversal learning, TL) 기질(substrate) 내에서 가치 조건부 그래디언트 필터링(value-conditioned gradient filtering), 온라인 한계 기여 신호(online marginal contribution signals), 그리고 누적 수익 정산(cumulative revenue settlement)을 공식화합니다. TL은 집합 중심의 분산 학습(aggregation-centric distributed learning)과 관련된 품질 저하 없이 분산 역전파(decentralized backpropagation)를 수행하기 때문에 여기서 특히 매력적이며, 명시적인 순회 및 그래디언트 경로를 보존함으로써 FedAvg 스타일의 연합 학습(federated learning)보다 더 미세한 귀속 기질(attribution substrate)을 제공한다고 주장합니다. 이 프레임워크는 데이터 가치 평가(data valuation), 연합 기여도 추정(federated contribution estimation), 개인화된 연합 학습(personalized federated learning), 그리고 다원적 정렬(pluralistic alignment)과 대비하여 위치합니다.