联邦学习中的公平性：对谁公平？
机器学习
2025-05-29 v1 人工智能
计算机与社会
摘要
联邦学习中的公平性已成为一个快速发展的研究领域，许多工作提出了形式化定义和算法干预。然而，尽管取得了这些技术进展，FL 中的公平性往往以脱离这些系统部署的社会技术环境的方式进行定义和评估。在本文中，我们认为现有方法倾向于优化狭义的系统级指标，如性能均等或基于贡献的奖励，却忽视了 FL 生命周期中危害是如何产生的以及它们如何影响不同的利益相关者。我们通过对文献的批判性分析来支持这一主张，该分析基于对论文的公平性定义、设计决策、评估实践和激励用例的系统标注。我们的分析揭示了五个反复出现的陷阱：1) 仅通过服务器-客户端架构的视角来构建公平性，2) 仿真与激励用例及环境之间的不匹配，3) 将保护系统与保护其用户混为一谈的定义，4) 针对生命周期孤立阶段而忽视上游和下游影响的干预措施，5) 以及在多个公平性定义可能同时相关时缺乏多利益相关者一致性。基于这些见解，我们提出了一个以危害为中心的框架，将公平性定义与具体风险和利益相关者脆弱性联系起来。我们最后提出了在 FL 中进行更全面、上下文感知和负责任的公平性研究的建议。
引用
@article{arxiv.2505.21584,
title = {Fairness in Federated Learning: Fairness for Whom?},
author = {Afaf Taik and Khaoula Chehbouni and Golnoosh Farnadi},
journal= {arXiv preprint arXiv:2505.21584},
year = {2025}
}