通过联邦学习提升公平性
机器学习
2022-12-08 v3
摘要
近来，许多从分散数据学习公平分类器的算法被提出。然而，许多理论与算法问题仍待解决。首先，联邦学习是否必要，即我们能否简单地训练局部公平分类器并加以聚合？在本工作中，我们首先提出一个新的理论框架，借此证明与非联邦算法相比，联邦学习能严格提升模型公平性。我们随后从理论与实验上表明，基于FedAvg的公平学习算法的性能权衡严格劣于在集中数据上训练的公平分类器。为弥补这一差距，我们提出FedFB，一种在分散数据上的隐私保护公平学习算法。其核心思想是修改FedAvg协议，使其能有效模拟集中式公平学习。我们的实验结果显示，FedFB显著优于现有方法，有时可匹配集中训练模型的性能。
引用
@article{arxiv.2110.15545,
title = {Improving Fairness via Federated Learning},
author = {Yuchen Zeng and Hongxu Chen and Kangwook Lee},
journal= {arXiv preprint arXiv:2110.15545},
year = {2022}
}
备注
39 pages, 7 figures