通过联邦学习改善公平性

Oct, 2021

Improving Fairness via Federated Learning

Yuchen Zeng, Hongxu Chen, Kangwook Lee

TL;DR本文提出了一个新的理论框架，证明联邦学习可以比本地分类器严格提高模型的公平性，但目前的基于 FedAvg 的公平学习算法在性能上与中心化数据上训练的公平分类器相比牺牲了很多，为此我们提出了一种名为 FedFB 的基于隐私保护的公平学习算法，在分散数据上训练时可以有效地模拟中心化的公平学习，实验结果表明，FedFB 明显优于现有方法，有时甚至能够与中心训练模型的性能匹配。

Abstract

Recently, lots of algorithms have been proposed for learning a fair classifier from decentralized data. However, many theoretical and algorithmic questions remain open. First, is federated learning necessary, i.e

fair classifier decentralized data federated learning fedavg-based fair learning fedfb

发现论文，激发创造

FairFed: 实现联邦学习中群组公平性

本文提出了 FairFed 算法，该算法针对联邦学习中的群体公平性问题，在保证本地数据隐私的前提下，通过支持灵活的本地去偏差方法，增强了群体公平性，实验结果表明 FairFed 算法比现有的公平 ML 和联邦学习算法更加公平，特别是在数据分布不均的情况下。

Oct, 2021

缓解联邦学习中的群体偏差：超越本地公平性

本研究旨在探讨有关机器学习模型中特定人群或群体受到偏待的问题以及解决方法，其中我们特别研究了本地模型与全局模型之间公平性的关系，并提出了一种基于惩罚性经验损失最小化的全局公平训练算法，实验证明我们的方法在保持高准确率的同时，相比本地公平训练方法能够更有效地提升公平性。

May, 2023

小样本无分布公平联邦学习

在分布式数据训练中，为了解决公平性问题，本研究提出了一种适用于分布式和异构系统的具有小样本和分布自由保证的后处理算法 FedFaiREE。该算法考虑了分布式环境中的挑战，如客户异质性、通信成本和小样本大小，并在公平性和准确性方面提供了严格的理论保证，通过实验证明了所提方法的鲁棒性。

Feb, 2024

公平感知的不可知联邦学习

本文提出了一种公平感知的不可知联邦学习框架（AgnosticFair），它使用核重新加权函数在损失函数和公平性约束中为每个训练样本分配一个重加权值，从而能够在未知测试数据上实现高精度和公正性保证。实验结果表明，在数据转移的情况下，在两个真实数据集上的效果显著。

Oct, 2020

联邦学习聚合：具有保证的新的鲁棒算法

该研究对联邦学习框架下聚合策略进行了全面的数学收敛分析，并通过与 FedAvg 进行分类任务的比较来评估其性能，得出了新的聚合算法，该算法可以通过区分客户端贡献的价值来修改其模型架构。

May, 2022

FedFair: 跨数据源联邦学习中的公平模型训练

本文提出了一种基于联邦估计方法的公平模型训练方案，可以在跨边界联邦学习中保护隐私和公平，实现高性能的公平模型训练，实验结果表明本方法的性能优异。

Sep, 2021

联邦学习算法的效率和隐私的实证研究

物联网网络和数据处理技术的发展对分布式学习方法中的联邦学习具有巨大潜力，本论文通过两个实例展示了联邦学习在物联网网络中实现高效和保护隐私的机器学习的潜力，并通过模拟研究了隐私和准确性之间的权衡关系。

Dec, 2023

联邦学习的推广、鲁棒性、公正性：调查和基准

联邦学习是一种有前景的在不同方参与者之间保护隐私的合作范例，本文系统地概述了对联邦学习的重要和最新研究进展，包括研究历史、术语定义、泛化、鲁棒性和公平性等方面，并提出了进一步研究的机会和公开问题。

Nov, 2023

联邦学习中的协作公平性

研究分布式和联邦学习的合作公平性问题，提出了一种新的协作公平联邦学习框架，利用声誉来强制不同参与者收敛于不同模型，从而在不损害预测性能的情况下实现公平。

Aug, 2020

使用增广拉格朗日方法处理联邦学习中的群体公平性

该研究提出了一种新的联邦学习算法，专门解决群体公平性问题，该算法在统计异质性和不同数量的客户端存在的情况下，既可以定量又可以定性地改善公平性，并几乎不影响准确度，并且与本地差分隐私兼容，通信成本微不足道。这一算法对于提高敏感应用领域（如医疗保健或刑法司法）的联邦学习系统的公平性和有效性具有重要的潜力。

Jul, 2023