unexpected places: 通过聚类增强联邦学习中的局部公平性
机器学习
2025-06-02 v3 计算机与社会
摘要
联邦学习（FL）是协作训练分布数据集中机器学习模型的关键范式。在异构设置下，观察到单一共享FL模型可能导致局部准确率较低，动机促使个人化FL算法。与此同时，提出了公平FL算法以在全局模型上强制执行组公平。在异构设置下，全局公平性和局部公平性并不一定一致，动机促使最近关于局部公平FL的文献。本文提出了用于异构设置的新FL算法，跨越个人化FL与局部公平FL之间的空间。基于现有的基于聚类的个人化FL方法，我们纳入新的公平性指标以进行聚类分配，实现局部准确率与公平性之间的可调平衡。我们的方法在不进行显式公平干预的情况下，匹配或超过现有局部公平FL方法的性能。我们进一步演示（数值和分析性地），个人化alone可以改善局部公平性，而我们的办法在这种对齐存在时加以利用。
引用
@article{arxiv.2407.19331,
title = {Friends in Unexpected Places: Enhancing Local Fairness in Federated Learning through Clustering},
author = {Yifan Yang and Ali Payani and Parinaz Naghizadeh},
journal= {arXiv preprint arXiv:2407.19331},
year = {2025}
}