小样本下无分布假设的公平联邦学习
机器学习
2024-09-16 v2 计算机与社会
机器学习
摘要
随着联邦学习因其去中心化数据训练能力在实际应用中日益重要，解决跨人口群体的公平性问题变得至关重要。然而，大多数现有的确保公平性的机器学习算法是为集中式数据环境设计的，并且通常需要大样本和分布假设，这凸显了对适用于去中心化和异构系统、具有有限样本和无分布保证的公平性技术的迫切需求。为解决这一问题，本文引入了FedFaiREE，一种专门为去中心化环境下小样本无分布公平学习设计的后处理算法。我们的方法考虑了去中心化环境中的独特挑战，如客户端异质性、通信成本和小样本量。我们为公平性和准确性提供了严格的理论保证，实验结果进一步为所提方法提供了稳健的实证验证。
引用
@article{arxiv.2402.16158,
title = {Distribution-Free Fair Federated Learning with Small Samples},
author = {Qichuan Yin and Zexian Wang and Junzhou Huang and Huaxiu Yao and Linjun Zhang},
journal= {arXiv preprint arXiv:2402.16158},
year = {2024}
}