面向学习群体公平模型的联邦训练
机器学习
2021-10-08 v2 计算机与社会
摘要
联邦学习是一种日益流行的范式，使大量实体能够协作学习更好的模型。在这项工作中，我们研究了在不同参与实体在训练阶段可能仅能访问部分人口群体的范式下的极小极大群体公平性。我们形式化地分析了该公平性目标与现有联邦学习公平性准则的差异，后者施加的是参与者之间而非人口群体之间相似的性能。我们提供了一种优化算法——FedMinMax——用于求解所提出的问题，该算法可证明享有集中式学习算法的性能保证。我们在各种联邦学习设置下，就群体公平性将所提方法与其他方法进行了实验比较。
引用
@article{arxiv.2110.01999,
title = {Federating for Learning Group Fair Models},
author = {Afroditi Papadaki and Natalia Martinez and Martin Bertran and Guillermo Sapiro and Miguel Rodrigues},
journal= {arXiv preprint arXiv:2110.01999},
year = {2021}
}