FeDa4Fair：用于公平性评估的客户端级联邦数据集
机器学习
2026-05-12 v5 人工智能
摘要
联邦学习（FL）在保护隐私的同时实现了协作训练，但它引入了一个关键挑战：“公平性错觉”。通常在服务器端评估的全局模型在平均意义上显得公平，但在客户端层面却保持持续的歧视。当前增强公平性的 FL 解决方案往往存在不足，因为它们通常针对单一（通常是二元的）敏感属性来缓解偏差，而忽略了两种现实且冲突的场景：属性偏差（客户端对不同的敏感属性存在不公平）和值偏差（客户端对同一属性的不同值表现出冲突的偏差）。为了在 FL 中支持更稳健和可复现的公平性研究，我们引入了 FeDa4Fair，这是第一个旨在压力测试这些异构条件下公平性方法的基准测试框架。我们的贡献分为三部分：（1）我们引入了 FeDa4Fair，一个旨在创建专门用于评估异构客户端偏差下公平 FL 方法的数据集的库；（2）我们发布了由 FeDa4Fair 库生成的基准测试套件，以标准化公平 FL 方法的评估；（3）我们提供了用于评估这些数据集公平性结果的即用型函数。
引用
@article{arxiv.2506.21095,
title = {FeDa4Fair: Client-Level Federated Datasets for Fairness Evaluation},
author = {Xenia Heilmann and Luca Corbucci and Mattia Cerrato and Anna Monreale},
journal= {arXiv preprint arXiv:2506.21095},
year = {2026}
}
备注
Accepted at ACM FAccT 2026