具有收敛保证的公平感知联邦极小极大优化
机器学习
2024-10-18 v5 计算机与社会
摘要
联邦学习（FL）因其隐私保护特性而备受关注。然而，用户数据管理自由的缺失会导致群体公平性问题，即模型偏向于种族或性别等敏感因素。为解决此问题，本文提出一种新颖算法——基于增广拉格朗日方法的公平联邦平均（FFALM），专门设计用于应对 FL 中的群体公平性问题。具体而言，我们在训练目标上施加公平性约束，并求解该约束优化问题的极小极大重构形式。随后，我们推导出 FFALM 收敛速率的理论上界。在存在严重统计异质性的 CelebA 和 UTKFace 数据集上，FFALM 提升公平性的有效性得到了实证验证。
引用
@article{arxiv.2307.04417,
title = {Fairness-aware Federated Minimax Optimization with Convergence Guarantee},
author = {Gerry Windiarto Mohamad Dunda and Shenghui Song},
journal= {arXiv preprint arXiv:2307.04417},
year = {2024}
}