CurvFed：面向无人口统计信息公平性的曲率对齐联邦学习

现代人体感知应用通常依赖于分布在用户和设备间的数据，而隐私问题阻碍了集中式训练。联邦学习（FL）通过在不暴露原始数据或属性的情况下实现协作模型训练来解决这一挑战。然而，在此类设置中实现公平性仍然困难，因为大多数人感数据集缺乏人口统计标签，且FL的隐私保证限制了对敏感属性的使用。本文介绍了CurvFed：一种在无人口统计信息情况下实现公平性的曲率对齐联邦学习框架，这是一个理论基础的框架，通过优化底层损失景观的曲率来促进FL中的公平性，而无需任何人口统计或敏感属性信息，这一概念被称为“无人口统计信息的公平性”（FWD）。基于损失景观曲率一致性与跨敏感属性组模型性能一致性相对应的理论，CurvFed在客户端内部和跨客户端正则化Fisher信息矩阵（FIM）的最大特征值，作为损失景观曲率的代理。这种对齐促进了模型在不同偏差诱导因素下的一致行为，提供了一种与属性无关的算法公平性途径。CurvFed特别适用于涉及未知或多个偏差因素的单一或多用户边缘设备的真实世界人体感知应用。我们通过理论和实证论证，以及使用三个真实世界数据集和在异构资源受限设备测试平台上的部署，对CurvFed进行了全面评估。此外，我们对本地训练数据量、客户端采样、通信开销、资源成本和运行时性能进行了敏感性分析，以证明其在边缘设备部署中的可行性。