GIFAIR-FL：联邦学习中群体与个体公平性的框架
机器学习
2023-07-04 v2 分布式、并行与集群计算
摘要
在本文中，我们提出 \texttt{GIFAIR-FL}：一个将\textbf{群}体与\textbf{个}体\textbf{公平}性施加于\textbf{联}邦\textbf{学}习（\textbf{F}ederated \textbf{L}earning）设置的框架。通过添加正则化项，我们的算法惩罚客户端群体损失的离散程度，以驱动优化器走向公平解。我们的框架 \texttt{GIFAIR-FL} 可同时适应全局和个性化设置。理论上，我们展示了在非凸和强凸设置下的收敛性。我们的收敛保证对 和非 数据均成立。为展示算法的经验性能，我们将方法应用于图像分类和文本预测任务。与现有算法相比，我们的方法在保持更优或相似预测精度的同时，展现出改进的公平性结果。
引用
@article{arxiv.2108.02741,
title = {GIFAIR-FL: A Framework for Group and Individual Fairness in Federated Learning},
author = {Xubo Yue and Maher Nouiehed and Raed Al Kontar},
journal= {arXiv preprint arXiv:2108.02741},
year = {2023}
}