基于函数跟踪实现联邦学习中的全局群体公平性
机器学习
2025-03-20 v1 最优化与控制
统计方法学
摘要
我们研究了在联邦学习中应用群体公平性正则化的问题，旨在分布式设置下训练全局公平模型。在分布式训练中确保全局公平性具有独特挑战，因为公平性正则化器通常涉及跨所有客户端分布之间的概率指标，且无法自然地按客户端分离。为此，我们基于最大均值差（Maximum Mean Discrepancy, MMD）引入了一种用于全局公平性正则化器的函数跟踪方案，该方案通信开销较小。该方案可无缝集成到大多数联邦学习算法中，同时保持严格的收敛保证，本文以FedAvg为例进行了验证。此外，在强制差分隐私时，基于核的MMD正则化可通过改变核函数实现简明分析，利用核卷积的直观解释。数值实验确认了我们的理论见解。
引用
@article{arxiv.2503.15163,
title = {Global Group Fairness in Federated Learning via Function Tracking},
author = {Yves Rychener and Daniel Kuhn and Yifan Hu},
journal= {arXiv preprint arXiv:2503.15163},
year = {2025}
}
备注
The paper is accepted to AISTATS 2025