联邦学习中的极小极大人口群体公平性
机器学习
2022-07-14 v2 分布式、并行与集群计算
摘要
联邦学习是一种日益流行的范式，使大量实体能够协作学习更好的模型。在本工作中，我们研究联邦学习场景中的极小极大群体公平性，其中不同的参与实体在训练阶段可能仅能访问人口群体的一部分。我们形式化地分析了我们提出的群体公平性目标与现有联邦学习公平性准则的区别，后者施加的是参与者之间而非人口群体之间相似的性能。我们提供了一种优化算法——FedMinMax——用于求解所提出的问题，该算法可证明享有集中式学习算法的性能保证。我们在实验中将所提方法与其他最先进（SOTA）方法在各种联邦学习设置下的群体公平性进行比较，表明我们的方法表现出有竞争力或更优的性能。
引用
@article{arxiv.2201.08304,
title = {Minimax Demographic Group Fairness in Federated Learning},
author = {Afroditi Papadaki and Natalia Martinez and Martin Bertran and Guillermo Sapiro and Miguel Rodrigues},
journal= {arXiv preprint arXiv:2201.08304},
year = {2022}
}
备注
arXiv admin note: substantial text overlap with arXiv:2110.01999