RESFL：通过平衡隐私、公平性与效用实现负责任联邦学习的感知不确定性框架
机器学习
2026-04-22 v2 计算机视觉与模式识别
分布式、并行与集群计算
新兴技术
摘要
联邦学习(FL)通过在无需集中数据聚合的情况下实现协作模型训练，在关键领域的机器学习应用中获得了重要地位。然而，保护隐私的 FL 框架往往牺牲了公平性和可靠性。差分隐私可以减少数据泄露，但也可能掩盖偏差校正所需的敏感属性，从而恶化不同人口群体间的性能差距。本研究探讨了基于 FL 的目标检测中的隐私-公平性权衡，并引入了 RESFL，这是一个联合改善这两个目标的综合框架。RESFL 将对抗性隐私解耦与不确定性引导的公平性感知聚合相结合。对抗组件使用梯度反转层来抑制敏感属性信息，在保留与公平性相关的结构的同时降低隐私风险。感知不确定性的聚合组件使用证据神经网络自适应地加权客户端更新，优先考虑公平性差异较低且置信度较高的贡献。这产生了稳健且公平的 FL 模型更新。在高风险自动驾驶场景中的实验表明，RESFL 在 FACET 和 CARLA 上实现了高 mAP，与 FedAvg 基线相比，将成员推理攻击成功率降低了 37%，将机会均等差距降低了 17%，并保持了更强的对抗鲁棒性。尽管在自动驾驶中进行了评估，RESFL 是领域无关的，可应用于该场景之外广泛的应用领域。
引用
@article{arxiv.2503.16251,
title = {RESFL: An Uncertainty-Aware Framework for Responsible Federated Learning by Balancing Privacy, Fairness and Utility},
author = {Dawood Wasif and Terrence J. Moore and Jin-Hee Cho},
journal= {arXiv preprint arXiv:2503.16251},
year = {2026}
}
备注
Accepted at ICLR 2026; camera-ready version