FairVFL：一种基于对比对抗学习的公平纵向联邦学习框架
机器学习
2022-11-01 v2 密码学与安全
计算机与社会
摘要
纵向联邦学习（VFL）是一种隐私保护的机器学习范式，能够以隐私保护的方式从分布于不同平台的特征中学习模型。由于在真实应用中数据可能包含对公平性敏感特征（如性别）的偏差，VFL 模型可能从训练数据继承偏差，并对某些用户群体不公平。然而，现有公平机器学习方法通常依赖公平性敏感特征的集中存储来实现模型公平，在联邦场景下往往不适用。本文提出一种公平纵向联邦学习框架（FairVFL），可提升 VFL 模型的公平性。FairVFL 的核心思想是基于去中心化特征域以隐私保护方式学习统一且公平的样本表示。具体而言，每个持有公平性不敏感特征平台首先从本地特征学习局部数据表示；随后这些局部表示上传至服务器并聚合成面向目标任务的统一表示。为学习公平的统一表示，将其发送至各存储公平性敏感特征的平台，并应用对抗学习以消除从有偏数据继承的偏差。此外，为保护用户隐私，我们进一步提出一种对比对抗学习方法，在将统一表示发往持有公平性敏感特征的平台之前，于服务器端从中移除私有信息。在三个真实数据集上的实验验证了我们的方法能在良好保护用户隐私的同时有效提升模型公平性。
引用
@article{arxiv.2206.03200,
title = {FairVFL: A Fair Vertical Federated Learning Framework with Contrastive Adversarial Learning},
author = {Tao Qi and Fangzhao Wu and Chuhan Wu and Lingjuan Lyu and Tong Xu and Zhongliang Yang and Yongfeng Huang and Xing Xie},
journal= {arXiv preprint arXiv:2206.03200},
year = {2022}
}