联邦学习中基于同态加密的类别不平衡应对策略

训练数据集中的类别不平衡可能导致机器学习模型中的偏差和泛化能力差。虽然在集中式学习环境中，对训练数据集进行预处理可以有效解决这两个问题，但在分布式学习环境（如联邦学习）中检测和解决这些问题具有挑战性。在本文中，我们提出了 FLICKER，一个隐私保护框架，用于解决联邦学习中的全局类别不平衡问题。我们贡献的核心在于流行的 CKKS 同态加密方案，客户端使用该方案私下共享其数据属性，随后在实施 FL 方案之前平衡其数据集。大量实验结果表明，我们提出的方法与流行的数据集和相关基线一起使用时，显著提高了联邦学习的准确率。