联邦学习在公平性前沿：多面视角
机器学习
2026-02-03 v1
摘要
联邦学习(FL)中的公平性正成为一个关键因素，其驱动力来自异构客户端的约束以及跨不同场景的均衡模型性能。在本综述中，我们从多面视角，即面向模型性能和面向能力，对现有公平性感知方法进行了全面的分类。此外，我们提供了一个框架来分类和解决各种公平性问题及相关技术方面，考察了它们在FL框架内平衡公平性与性能的有效性。我们进一步审视了用于定量衡量公平性的几个重要评估指标。最后，我们探索了令人兴奋的开放研究方向，并提出了可能推动这一重要领域未来发展的前瞻性解决方案，为致力于FL公平性研究的研究人员奠定了坚实基础。
引用
@article{arxiv.2602.00718,
title = {Federated Learning at the Forefront of Fairness: A Multifaceted Perspective},
author = {Noorain Mukhtiar and Adnan Mahmood and Yipeng Zhou and Jian Yang and Jing Teng and Quan Z. Sheng},
journal= {arXiv preprint arXiv:2602.00718},
year = {2026}
}
备注
7 pages (main content), 2 pages (references), Accepted and Published Proceedings of the 34th International Joint Conference on Artificial Intelligence (IJCAI). 2025