我们提出了一种名为 mFairFL 的方法，通过使用差分乘数构建优化目标，同时实现组公平和客户公平，以解决在隐私不受损失的情况下训练公平的 FL 模型的问题。理论分析证明 mFairFL 有助于模型的公平性，并且基于三个基准数据集的实验评估显示 mFairFL 相对于七个最先进的基准模型具有显著优势。

Dec, 2023

提出了 GLOCALFAIR，一种可同时改善联合学习中全局和本地群体公平性的客户端 - 服务器协同设计公平性框架，无需敏感统计数据即可实现全局模型公平性，并保持较高的效用和客户公平性。

Jan, 2024

通过应用裁剪技巧与高斯机制来解决不包含验证数据的公平差分私有联邦学习框架的可能出现的偏见更新问题，同时审查了隐私和公平性在联邦学习中的相关工作，并强调了 MITIGATE 偏见和确保隐私的最新进展和方法。

May, 2023

我们提出了一个群体公平的联邦学习框架，旨在在保护隐私和没有资源利用开销的情况下，减少群体偏见。我们通过利用平均条件概率来计算由异构训练数据得出的跨领域群体重要性权重，使用修改的乘法权重更新方法来优化表现最差的群体的性能。此外，我们提出了正则化技术来最小化最差和最好表现群体之间的差异，同时通过阈值机制确保在减少偏见和群体表现下降之间取得平衡。我们对人类情绪识别和图像分类基准进行了评估，以评估我们的框架在实际异构环境中的公平决策能力。

Sep, 2023

本文介绍了在联邦学习框架中处理个性化、隐私保证和公平性三者之间的相互关系，通过引入 $d$-privacy 方法，提供个性化模型训练、形式上的隐私保证和显著优于传统联邦学习模型的群体公平性。

Sep, 2023

为了提高联邦学习系统的公平性，本研究使用了公平度量指标构建本地公平模型，并提出了一种隐私保护的公平联邦学习方法。实验结果表明，隐私保护提高了公平模型的准确性，但在隐私、公平和实用性之间存在权衡。

Nov, 2023

本文针对联邦学习领域中的数据隐私和公平性问题，提出了一种能够满足不同统计公平度量的新方法，并进行实验验证其在满足多个目标方面的有效性和鲁棒性。

Jan, 2022

通过引入 EquiFL，增强联邦学习环境中的本地和全局公平性，同时确保准确性和公平性之间的良好平衡，并通过协调机制防止偏见在合作阶段间的传播。在多个基准测试中进行了广泛的实验证明 EquiFL 不仅在每个客户端实现了准确性和公平性之间更好的平衡，还实现了全局公平性，并确保了客户端之间的性能公平分布。此外，我们还展示了 EquiFL 在一个真实的分布式医疗应用数据集中的好处，特别是在预测各个医院地点对患者治疗效果方面。

Jun, 2024

本文提出了一种基于多目标优化的联邦学习框架，通过优化一个最大替代函数将不同本地客户端（数据源）的算法公平性和一致性纳入考虑，以实现最优解的 Pareto 优化来实现公平性和一致性。

Aug, 2021

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