迈向可问责可复现的联邦学习：FactSheets 方法
人工智能
2022-02-28 v1 机器学习
摘要
联邦学习（FL）是一种基于去中心化私有数据对模型进行共享训练的新范式。就伦理准则而言，FL 在隐私方面大有前景，但需在透明性与可信性上表现出色。特别地，FL 必须解决相关各方问责及其对规则、法律与原则的遵守问题。我们引入 AF^2 框架，通过将可验证声明与防篡改事实融合为可复现的论证，为 FL 注入问责性。我们基于 AI FactSheets 将透明性与可信性植入 AI 生命周期，并将其扩展以纳入 FL 中的动态与嵌套事实以及复杂模型组合。基于我们的方法，审计员可验证、复现并认证 FL 过程。这可直接应用于实践，以应对 AI 工程与伦理的挑战。
引用
@article{arxiv.2202.12443,
title = {Towards an Accountable and Reproducible Federated Learning: A FactSheets Approach},
author = {Nathalie Baracaldo and Ali Anwar and Mark Purcell and Ambrish Rawat and Mathieu Sinn and Bashar Altakrouri and Dian Balta and Mahdi Sellami and Peter Kuhn and Ulrich Schopp and Matthias Buchinger},
journal= {arXiv preprint arXiv:2202.12443},
year = {2022}
}
备注
16 pages, 4 figures, 2 tables