FedFair^3：解锁联邦学习中的三重公平性
机器学习
2024-01-30 v1 人工智能
计算机与社会
分布式、并行与集群计算
摘要
联邦学习（Federated Learning, FL）是一种无需暴露客户端原始数据的机器学习新兴范式。在涉及众多客户端的实际场景中，鼓励公平且高效的客户端参与联邦学习至关重要，而鉴于数据分布和设备属性的异质性，这也极具挑战性。现有工作提出了不同的考虑公平性的客户端选择方法；然而，它们未能同时选择具有高效用的客户端并实现公平的准确率水平。在本文中，我们提出了一种公平的客户端选择方法，解锁了联邦学习中的三重公平性。除了拥有公平的客户端选择策略外，我们还强制要求客户端参与的轮次数量公平，并确保客户端之间的准确率分布公平。实验结果表明，与最先进的基线方法相比，FedFair^3 在 IID 数据上实现了 18.15% 的准确率方差降低，在非 IID 数据上实现了 54.78% 的降低，且未降低全局准确率。此外，其平均挂钟训练时间减少了 24.36%。
引用
@article{arxiv.2401.16350,
title = {FedFair^3: Unlocking Threefold Fairness in Federated Learning},
author = {Simin Javaherian and Sanjeev Panta and Shelby Williams and Md Sirajul Islam and Li Chen},
journal= {arXiv preprint arXiv:2401.16350},
year = {2024}
}