无需访问敏感组的联邦公平性
机器学习
2024-02-26 v1 人工智能
计算机与社会
分布式、并行与集群计算
摘要
当前联邦学习中群体公平性的方法假设在训练期间存在预定义且标记的敏感组。然而，由于从新兴法规到受保护群体的动态性和位置依赖性等因素，这一假设在许多现实场景中可能不适用。在这项工作中，我们提出了一种新的方法来保证群体公平性，该方法不依赖于任何预定义的敏感组定义或额外标签。我们的目标允许联邦学习一个帕累托高效的全局模型，确保最坏情况下的群体公平性，并且通过单个超参数实现公平性与效用之间的权衡，仅受群体规模约束。这意味着任何足够大的子集都能保证从模型中获得至少最低水平的效用性能。所提出的目标将现有方法作为特例包含在内，例如经验风险最小化和集中式机器学习中的子群鲁棒性目标。我们提供了一种在联邦中解决该问题的算法，该算法具有收敛性和超额风险保证。我们的实证结果表明，所提出的方法能够有效改善可能存在的表现最差组，而不会不必要地损害平均性能，与相关基线相比表现出优越或相当的性能，并实现了具有不同公平-效用权衡的大量解集。
引用
@article{arxiv.2402.14929,
title = {Federated Fairness without Access to Sensitive Groups},
author = {Afroditi Papadaki and Natalia Martinez and Martin Bertran and Guillermo Sapiro and Miguel Rodrigues},
journal= {arXiv preprint arXiv:2402.14929},
year = {2024}
}