F3:面向异构数据的公平联邦人脸属性分类
机器学习
2022-06-27 v3 计算机视觉与模式识别
计算机与社会
摘要
不同人口群体间的公平性是与人脸相关任务的一项基本准则,人脸属性分类(FAC)即是一个突出例子。除这一趋势外,联邦学习(FL)作为一种可扩展的分布式训练范式正日益受到关注。现有 FL 方法要求数据同质性以确保公平性。然而,该假设在真实场景中过于严格。我们提出 F3,一种用于数据异构下公平 FAC 的新型 FL 框架。F3 采用多种启发式方法,在不要求数据同质性假设的情况下改善不同人口群体间的公平性。我们通过在流行人脸数据集上报告经验观测到的公平性度量和准确率保证,证明了 F3 的有效性。我们的结果表明,F3 在 FAC 的准确率与公平性之间取得了实用的平衡。
引用
@article{arxiv.2109.02351,
title = {F3: Fair and Federated Face Attribute Classification with Heterogeneous Data},
author = {Samhita Kanaparthy and Manisha Padala and Sankarshan Damle and Ravi Kiran Sarvadevabhatla and Sujit Gujar},
journal= {arXiv preprint arXiv:2109.02351},
year = {2022}
}
备注
This paper is accepted as 2-page extended abstract at CODS-COMAD 2022 with title "Fair Federated Learning for Heterogeneous Face Data"