联邦学习上的统一群体公平性
机器学习
2022-02-17 v3
摘要
联邦学习（FL）已成为一种重要的机器学习范式，其中基于来自分布式客户端的私有数据训练全局模型。然而，由于群体间数据分布偏移，大多数现有 FL 算法无法保证针对不同群体的性能公平性。本文中，我们形式化了 FL 上统一群体公平性问题，其中群体可由客户端（包括现有客户端和新加入客户端）和敏感属性构成。为解决该问题，我们首先提出一个通用的公平联邦框架。随后，我们从具有理论分析的联邦不确定性集视角构造了统一群体公平风险，以在 FL 上保证统一群体公平性。我们还开发了一种具有收敛保证的高效联邦优化算法——带动量加速的联邦镜像下降上升法（FMDA-M）。我们在实验中以多种分布偏移设置验证了 FMDA-M 算法的优势，结果表明 FMDA-M 算法在统一群体公平性上优于现有公平 FL 算法。
引用
@article{arxiv.2111.04986,
title = {Unified Group Fairness on Federated Learning},
author = {Fengda Zhang and Kun Kuang and Yuxuan Liu and Long Chen and Chao Wu and Fei Wu and Jiaxun Lu and Yunfeng Shao and Jun Xiao},
journal= {arXiv preprint arXiv:2111.04986},
year = {2022}
}