Ditto：通过个性化实现公平且鲁棒的联邦学习
机器学习
2021-06-17 v3 机器学习
摘要
公平性和鲁棒性是联邦学习系统的两个重要关注点。在本工作中，我们发现，在统计异构网络中，抵御数据和模型投毒攻击的鲁棒性与以跨设备性能均匀性衡量的公平性是相互竞争的约束。为了解决这些约束，我们提出采用一个简单、通用的个性化联邦学习框架 Ditto，该框架能够内在地提供公平性和鲁棒性益处，并为其开发了一种可扩展的求解器。在理论上，我们分析了 Ditto 在一类线性问题上同时实现公平性和鲁棒性的能力。在实验中，通过一系列联邦数据集，我们表明 Ditto 不仅实现了与近期个性化方法相比具有竞争力的性能，而且相对于最先进的公平或鲁棒基线，能够生成更准确、鲁棒和公平的模型。
引用
@article{arxiv.2012.04221,
title = {Ditto: Fair and Robust Federated Learning Through Personalization},
author = {Tian Li and Shengyuan Hu and Ahmad Beirami and Virginia Smith},
journal= {arXiv preprint arXiv:2012.04221},
year = {2021}
}
备注
Accepted by ICML 2021