FedPF: 准确保护目标隐私的联邦学习在公平性与效用之间的平衡
机器学习
2026-04-30 v2 人工智能
摘要
联邦学习（Federated Learning）通过不共享数据实现协作模型训练，但参与者面临根本性挑战，即在保护敏感客户数据之外，同时确保跨人口统计组的公平性。我们引入一种差分隐私公平联邦学习算法（FedPF），将这一多目标优化问题转化为一个零和博弈，其中公平性和隐私约束与模型效用相互竞争。我们的理论分析揭示：在联邦设置下，受有限样本限制时，保护敏感属性的隐私机制会降低用于检测和纠正人口统计偏见的统计功效。我们进一步表明，理论边界与公平性-效用关系呈非单调关系一致，这一点通过实验得到验证——在过度强制执行公平性约束之前，适度的公平性约束可提高泛化性能。与主流算法相比，即使在严格的隐私约束下，FedPF 仍保持所有测试算法中最低的歧视水平，同时保持高效用。实验验证表明，FedPF 在三个数据集上实现了最高 42.9% 的歧视降低，同时保持竞争的准确率，但更重要的是，揭示了在同时实现强隐私和公平性需要仔细平衡权衡，而不能孤立优化其中任何一个目标。此外，硬件级仿真表明，FedPF 具有较低的计算资源占用，适用于资源受限的边缘设备。我们提出的算法源代码已公开访问于 https://github.com/szpsunkk/FedPF。
引用
@article{arxiv.2510.26841,
title = {FedPF: Accurate Target Privacy Preserving Federated Learning Balancing Fairness and Utility},
author = {Kangkang Sun and Jun Wu and Minyi Guo and Jianhua Li and Jianwei Huang},
journal= {arXiv preprint arXiv:2510.26841},
year = {2026}
}
备注
13 pages, 4 figures, 33 conference, The paper has been accepted by ICDCS conference