后处理公平联邦学习：通过后处理实现群体公平性与社区公平性
机器学习
2024-05-29 v1 计算机与社会
摘要
联邦学习（Federated Learning, FL）是一种分布式机器学习框架，其中一组本地社区保留各自训练数据，协作学习共享的全局模型。群体公平性和社区公平性是近期在联邦学习中重要的公平性问题。群体公平性要求模型的决策不基于种族或性别等受保护属性偏向任何特定群体。社区公平性要求全局模型在所有合作社区之间表现出相似的性能（准确率）。这两种公平性概念都可以共存于联邦学习框架中，但现有文献只关注一种概念或另一种。在本文中，我们提出并分析了一种称为 post-FFL 的后处理公平联邦学习框架。post-FFL 使用线性规划程序同时强制执行群体公平性和社区公平性，并最大化全局模型的实用性。由于 post-FFL 是一种后处理方法，能够与已理解其收敛性质的现有 FL 训练管道配合使用。本文在真实数据集上使用 post-FFL 来模拟医院网络等如何使用联邦学习交付社区健康护理。理论结果界定了 post-FFL 在强制执行两种公平性概念时会损失的准确率。实验结果说明，post-FFL 在联邦学习中同时提高了群体公平性和社区公平性。此外，post-FFL 在提升这两种公平性方面、通信效率和计算成本方面均优于现有的原地公平联邦学习方法。
引用
@article{arxiv.2405.17782,
title = {Post-Fair Federated Learning: Achieving Group and Community Fairness in Federated Learning via Post-processing},
author = {Yuying Duan and Yijun Tian and Nitesh Chawla and Michael Lemmon},
journal= {arXiv preprint arXiv:2405.17782},
year = {2024}
}