AAAI2024论文合集解读|Multi-dimensional Fair Federated Learning-water-merged

论文标题

Multi-dimensional Fair Federated Learning 多维公平联邦学习

论文链接

Multi-dimensional Fair Federated Learning论文下载

论文作者

Cong Su, Guoxian Yu, Jun Wang, Hui Li, Qingzhong Li, Han Yu

内容简介

本文提出了一种名为mFairFL的多维公平联邦学习方法，旨在解决联邦学习中群体公平性和客户端公平性的问题。联邦学习（FL）作为一种分布式学习范式，允许多个数据持有者在不共享数据的情况下共同训练模型。然而，标准的FL方法可能导致某些客户端在模型训练中处于不利地位，尤其是在数据异质性显著的情况下。mFairFL通过引入差分乘子构建优化目标，结合公平性约束，旨在同时实现群体公平性和客户端公平性。该方法在聚合本地训练模型之前，首先检测梯度冲突，并通过迭代调整梯度的方向和幅度来缓解这些冲突。实验结果表明，mFairFL在多个基准数据集上显著优于现有的最先进方法，能够有效提升模型的公平性。

分点关键点

1. mFairFL框架

   • mFairFL通过构建带有公平性约束的经验风险最小化优化目标，旨在同时实现群体公平性和客户端公平性。该方法在聚合本地模型之前，首先检测客户端之间的梯度冲突，并通过调整梯度的方向和幅度来减轻这些冲突，从而确保全局模型的公平性。

2. 公平性维度

   • 本文强调了群体公平性和客户端公平性两个维度的重要性。群体公平性确保模型对不同敏感群体（如年龄、性别、种族等）的公正对待，而客户端公平性则确保所有参与客户端在模型训练中获得相似的准确性。
     

3. 实验评估

   • 通过在三个基准数据集上的实验评估，mFairFL显示出显著的优势，能够有效缓解客户端之间的梯度冲突，并在群体公平性方面超越了七个最先进的基线方法。这表明mFairFL在处理数据异质性和提升模型公平性方面具有良好的性能。
     

4. 理论分析

   • 理论分析证明了mFairFL在模型开发中的公平性促进作用，强调了在去中心化数据环境中实现公平性的重要性。该方法通过优化客户端模型，确保在不损害弱势客户端泛化能力的情况下，提升整体模型的公平性。

论文代码

代码链接：https://github.com/username/mFairFL

AAAI2024论文合集：

AAAI2024论文合集

希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！

中文关键词

1. 多维公平性
2. 联邦学习
3. 客户端公平性
4. 群体公平性
5. 数据异质性
6. 梯度冲突