PraFFL：公平联邦学习中的偏好感知方案
机器学习
2025-01-14 v3 计算机与社会
分布式、并行与集群计算
摘要
联邦学习中的公平性已成为一个关键问题，旨在针对具有不同敏感特征的群体（如男性或女性）开发无偏模型。然而，模型性能与公平性之间存在权衡，即提高模型公平性会降低模型性能。现有方法通过引入超参数来量化客户端对模型公平性和模型性能的偏好，从而刻画这种权衡。然而，这些方法仅限于每个客户端只有单一预定义偏好的场景，无法适用于每个客户端通常具有多个偏好的实际系统。为此，我们提出了一种公平联邦学习中的偏好感知方案（称为PraFFL），以实时生成偏好特定的模型。PraFFL可以根据每个客户端的偏好自适应地调整模型，以满足其需求。我们从理论上证明，PraFFL能够为每个客户端的任意偏好提供最优模型，并展示了其线性收敛性。实验结果表明，我们提出的PraFFL在模型适应客户端不同偏好的能力方面优于六种公平联邦学习算法。我们的实现可在https://github.com/rG223/PraFFL获取。
引用
@article{arxiv.2404.08973,
title = {PraFFL: A Preference-Aware Scheme in Fair Federated Learning},
author = {Rongguang Ye and Wei-Bin Kou and Ming Tang},
journal= {arXiv preprint arXiv:2404.08973},
year = {2025}
}
备注
Accepted by KDD 2025