公平去中心化学习

去中心化学习（DL）是一种新兴方法，使节点能够在不共享原始数据的情况下协同训练机器学习模型。在许多应用领域（如医疗保健）中，这种方法面临由于训练数据的特征空间高度异构性带来的挑战。这种特征异构性降低了模型效用，并对公平性产生负面影响，尤其是针对训练数据 underrepresented的节点。本文引入\textsc{Facade}，一种基于聚类的去中心化学习算法，专为公平模型训练设计，适用于训练数据具有多个不同特征的情形。\textsc{Facade}的挑战在于，基于其本地数据的特征相似性，将节点分配到每个特征对应的簇中，而无需单个节点事先知道自己属于哪个簇。\textsc{Facade}（1）动态地将节点分配到其适当的簇中，（2）使节点能够在完全去中心化的方式下为每个簇协同训练专用模型。我们对\textsc{Facade}进行了收敛性理论证明，实现了该算法，并将其与三个state-of-the-art基线进行比较。我们在三个数据集上的实验结果表明，与所有三个竞争者相比，\textsc{Facade}在模型准确率和公平性方面均表现出优势。与最佳基线相比，\textsc{Facade}在CIFAR-10数据集上还能在簇大小不平衡时，将通信成本降低32.3%以达到目标准确率。