基于基尼系数的公平联邦学习框架 FedGA
机器学习
2025-07-18 v1 分布式、并行与集群计算
摘要
公平性已成为联邦学习中的关键挑战之一。在水平联邦设置中，数据异构性常导致不同客户端之间存在显著的性能差异，这引发了关于模型公平性行为的关切。为此，我们提出了 FedGA，一种公平感知的联邦学习算法。我们首先采用基尼系数来衡量客户端之间性能差异的程度。基于此，我们建立了基尼系数 G 与全局模型更新规模 U_s 之间的关系，并利用该关系来自适应确定公平干预的时机。随后，我们根据系统实时公平状态动态调整聚合权重，使全局模型能够更好地整合来自性能相对较差的客户端的信息。我们在 Office-Caltech-10、CIFAR-10 和 Synthetic 数据集上进行了大规模实验。结果表明，FedGA 在提升公平性指标（如方差和基尼系数）方面效果显著，同时保持了强大的整体性能，充分展示了我们方法的有效性。
引用
@article{arxiv.2507.12983,
title = {FedGA: A Fair Federated Learning Framework Based on the Gini Coefficient},
author = {ShanBin Liu},
journal= {arXiv preprint arXiv:2507.12983},
year = {2025}
}