AdaFed：通过自适应共同下降方向实现公平联邦学习
机器学习
2024-01-11 v1 人工智能
摘要
联邦学习（FL）是一项很有前景的技术，通过它，一些边缘设备/客户端可以在服务器的协调下协作训练机器学习模型。学习一个不公平的模型被认为是联邦学习中的一个关键问题，训练出的模型可能会不公平地优待或损害某些设备。为了解决这个问题，本文提出了AdaFed。AdaFed的目标是为服务器找到一个更新方向，沿着该方向：(i) 所有客户端的损失函数都在下降；(ii) 更重要的是，损失函数值较大的客户端下降速率更高。AdaFed根据局部梯度和损失函数的值自适应地调整这个共同方向。我们在一系列联邦数据集上验证了AdaFed的有效性，并证明AdaFed优于最先进的公平联邦学习方法。
引用
@article{arxiv.2401.04993,
title = {AdaFed: Fair Federated Learning via Adaptive Common Descent Direction},
author = {Shayan Mohajer Hamidi and En-Hui Yang},
journal= {arXiv preprint arXiv:2401.04993},
year = {2024}
}
备注
This paper has been accepted in Transactions on Machine Learning Research. This is the link to the paper: https://openreview.net/forum?id=rFecyFpFUp&referrer=%5Bthe%20profile%20of%20Shayan%20Mohajer%20Hamidi%5D(%2Fprofile%3Fid%3D~Shayan_Mohajer_Hamidi1)