LoGoFair:联邦学习中局部与全局公平性的后处理方法
机器学习
2025-03-24 v1 分布式、并行与集群计算
摘要
联邦学习(FL)因其能够从去中心化数据源进行学习而备受关注。鉴于 FL 在决策场景中的应用日益广泛,在不同敏感群体(例如女性、男性)之间解决公平性问题至关重要。当前研究通常聚焦于在每个客户端的数据上实现公平性(局部公平性),或在跨所有客户端的整个数据集上实现公平性(全局公平性)。然而,仅关注局部或全局公平性的现有方法无法应对两个关键挑战:(\textbf{CH1})在统计异质性下,全局公平性并不意味着局部公平性,反之亦然。(\textbf{CH2})在模型无关(model-agnostic)设定下实现公平性。为应对上述挑战,本文提出一种新颖的后处理框架,以在 FL 情境下同时实现局部与全局公平性,即 LoGoFair。针对 CH1,LoGoFair 致力于在局部与全局公平性约束下寻找贝叶斯最优分类器,在概率意义上实现最优的准确率-公平性平衡。针对 CH2,LoGoFair 采用一种模型无关的联邦后处理过程,使客户端能够协作优化全局公平性,同时确保局部公平性,从而在 FL 中获得最优的公平分类器。在三个真实世界数据集上的实验结果进一步验证了所提出的 LoGoFair 框架的有效性。
引用
@article{arxiv.2503.17231,
title = {LoGoFair: Post-Processing for Local and Global Fairness in Federated Learning},
author = {Li Zhang and Chaochao Chen and Zhongxuan Han and Qiyong Zhong and Xiaolin Zheng},
journal= {arXiv preprint arXiv:2503.17231},
year = {2025}
}
备注
Accepted by AAAI2025