迈向公平感知的联邦学习
机器学习
2023-04-12 v3 人工智能
分布式、并行与集群计算
摘要
联邦学习 (FL) 的最新进展为大规模分布式客户端带来了大规模协作机器学习的机会，并提供了性能和隐私保证。然而，当前大多数工作都关注 FL 中中央控制器的利益，而忽视了 FL 客户端的利益。这可能导致对客户端的不公平对待，从而阻碍它们积极参与学习过程，并损害 FL 生态系统的可持续性。因此，确保 FL 中的公平性这一主题正吸引着大量的研究兴趣。近年来，人们提出了多种多样的公平感知 FL (FAFL) 方法，力图从不同角度实现 FL 中的公平性。然而，目前尚无全面的综述帮助读者深入了解这一跨学科领域。本文旨在提供这样一篇综述。通过审视该领域现有文献所采用的基本和简化假设以及公平性概念，我们提出了一种涵盖 FL 主要步骤的 FAFL 方法分类法，这些步骤包括客户端选择、优化、贡献评估和激励分配。此外，我们还讨论了实验评估 FAFL 方法性能的主要指标，并提出了 FAFL 未来有前景的研究方向。
引用
@article{arxiv.2111.01872,
title = {Towards Fairness-Aware Federated Learning},
author = {Yuxin Shi and Han Yu and Cyril Leung},
journal= {arXiv preprint arXiv:2111.01872},
year = {2023}
}
备注
Accepted by IEEE Transactions on Neural Networks and Learning Systems