GLOCALFAIR：联合提升联邦学习中的全局和局部群体公平性
机器学习
2024-10-04 v2 人工智能
计算机与社会
摘要
联邦学习（FL）已成为一种在不牺牲数据隐私的情况下跨客户端协作学习共享模型的前瞻性解决方案。然而，由于FL固有的属性（如数据异质性和参与方选择），联邦学习模型往往对某些人口群体（如种族和性别群体）存在偏见。与集中式学习不同，在FL中减轻偏见尤其具有挑战性，因为私有训练数据集及其敏感属性通常无法直接访问。该领域的大多数先前研究只关注全局公平性，而忽略了单个客户端的局部公平性。此外，现有方法通常需要共享客户端本地数据集的敏感信息，这是不可取的。为了解决这些问题，我们提出了GLOCALFAIR，一个客户端-服务器协同设计的公平性框架，可以在不需要客户端私有数据集敏感统计信息的情况下，联合提升FL中的全局和局部群体公平性。具体来说，我们利用约束优化在客户端强制执行局部公平性，并在服务器端采用公平感知的聚类聚合，以进一步确保跨不同敏感组的全局模型公平性，同时保持高效用。在两个图像数据集和一个表格数据集上，与各种最先进的公平性基线进行的实验表明，GLOCALFAIR可以在全局和局部数据分布下实现增强的公平性，同时保持良好的效用和客户端公平性。
引用
@article{arxiv.2401.03562,
title = {GLOCALFAIR: Jointly Improving Global and Local Group Fairness in Federated Learning},
author = {Syed Irfan Ali Meerza and Luyang Liu and Jiaxin Zhang and Jian Liu},
journal= {arXiv preprint arXiv:2401.03562},
year = {2024}
}