AFed: 算法公平联邦学习
机器学习
2025-01-07 v1 人工智能
摘要
联邦学习（FL）因允许多个客户端在不将数据集中到服务器的情况下进行协作机器学习而受到广泛关注。FL通过本地存储数据来保护参与客户端的隐私，这带来了公平性方面的新挑战。传统的去偏方法假设可以集中访问敏感信息，使其不适用于FL设置。此外，由于与群体信息相关的多样化客户端数据源，FL比集中式机器学习更容易出现公平性问题。因此，在FL中训练公平模型而不访问客户端本地数据是重要且具有挑战性的。本文提出AFed，一个简单而有效的框架，用于促进FL中的群体公平性。核心思想是通过学习全局数据分布来规避受限的数据访问。本文提出两种方法：AFed-G，使用在服务器端训练的条件生成器；AFed-GAN，通过在客户端训练条件GAN来改进AFed-G。我们用生成的样本增强客户端数据以帮助消除偏差。理论分析证明了所提方法的合理性，在多个真实世界数据集上的实证结果表明AFed相对于多个基线有显著改进。
引用
@article{arxiv.2501.02732,
title = {AFed: Algorithmic Fair Federated Learning},
author = {Huiqiang Chen and Tianqing Zhu and Wanlei Zhou and Wei Zhao},
journal= {arXiv preprint arXiv:2501.02732},
year = {2025}
}
备注
Accepted by IEEE Transactions on Neural Networks and Learning Systems