联邦学习中的数字伦理
机器学习
2023-10-20 v2 计算机与社会
分布式、并行与集群计算
计算机科学与博弈论
摘要
物联网（IoT）持续生成海量数据，引发对数据隐私保护与限制数据滥用的日益关注。联邦学习（FL）通过共享机器学习（ML）模型参数而非原始用户数据，促进多方协作能力，并因其在隐私保护与学习效率提升上的潜力近期备受关注。本文强调以人为中心设备作为FL客户端时出现的数字伦理关切。更具体地，由于客户端与服务器在视角和目标上的差异，FL中出现了博弈动态、公平性、激励与持续性等挑战。我们从客户端与服务器双视角，以及集中式与去中心化FL的视点分析这些挑战及其解决方案。最后，我们探索以人为中心IoT中FL的发展机遇作为未来方向。
引用
@article{arxiv.2310.03178,
title = {Digital Ethics in Federated Learning},
author = {Liangqi Yuan and Ziran Wang and Christopher G. Brinton},
journal= {arXiv preprint arXiv:2310.03178},
year = {2023}
}