pFedFair：面向异构化联合学习中最优组公平性-准确性权衡的框架
机器学习
2025-03-20 v1
摘要
联合学习（FL）算法通常致力于通过训练其集体数据的模型来最大化客户端的准确性。然而，在许多 FL 应用中，模型的决策应满足与性别或种族等敏感属性无关的组公平性约束。虽然可以将此类组公平性约束纳入联合学习优化问题的目标函数中，但本文指出，这种方法将导致在具有异构客户端分布的 FL 环境中分类准确性的次优解。为实现最优的准确性-组公平性权衡，我们提出了针对客户端级组公平性的个人化联合学习框架（pFedFair），其中客户端在分布式训练过程中本地化施加其公平性约束。我们利用图像嵌入模型，将 pFedFair 的应用扩展到计算机视觉领域，数值实验表明 pFedFair 在异构 FL 环境中实现了最优的组公平性-准确性权衡。我们在基准数据集和合成数据集上进行了多个数值实验，结果表明非个人化 FL 算法的次优性以及 pFedFair 方法所带来的改进。
引用
@article{arxiv.2503.14925,
title = {pFedFair: Towards Optimal Group Fairness-Accuracy Trade-off in Heterogeneous Federated Learning},
author = {Haoyu Lei and Shizhan Gong and Qi Dou and Farzan Farnia},
journal= {arXiv preprint arXiv:2503.14925},
year = {2025}
}