时空应用中联邦学习的公平性
机器学习
2022-01-21 v2 计算机与社会
摘要
联邦学习涉及在移动手机等远程设备上训练统计模型，同时保持数据本地化。在异构且可能大规模的网络中进行训练，为隐私保护数据分析和使这些模型更具包容性以涵盖更广泛人群提供了机会。联邦学习可被视为一个独特机遇，通过使模型训练在多样化参与者集合上以及定期动态生成的数据上进行，从而为许多现有模型带来公平性与均等性。在本文中，我们讨论了在时空模型背景下可用于度量和评估公平性的现有指标与方法。我们提出了如何重新定义这些指标与方法，以应对联邦学习设置中所面临的挑战。
引用
@article{arxiv.2201.06598,
title = {Fairness in Federated Learning for Spatial-Temporal Applications},
author = {Afra Mashhadi and Alex Kyllo and Reza M. Parizi},
journal= {arXiv preprint arXiv:2201.06598},
year = {2022}
}