CurvFed：无需考虑人口统计特征的、基于曲率对齐的公平联邦学习方法

《Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies》：CurvFed: Curvature-Aligned Federated Learning for Fairness without Demographics

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

现代的人体感知应用通常依赖于分布在不同用户和设备上的数据，而隐私问题使得集中式训练难以实现。联邦学习通过允许在不暴露原始数据或属性的情况下进行协作式模型训练，解决了这一难题。然而，在此类环境中实现公平性仍然具有挑战性，因为大多数人体感知数据集缺乏人口统计标签，且联邦学习的隐私保护机制限制了敏感属性的使用。本文介绍了CurvFed：一种无需人口统计信息的公平联邦学习方法，它通过优化损失函数的曲率来提升公平性——这一概念被称为无需人口统计信息的公平性（FWD）。该框架基于这样的理论：相同的损失函数曲率意味着在不同敏感属性群体中模型的效果具有一致性。CurvFed通过将费希尔信息矩阵的第一个特征值作为损失函数曲率的有效替代指标，对客户端内部及之间的模型行为进行规范化处理。这种一致性有助于在存在多种偏见因素的情况下保持模型行为的统一，从而为算法公平性提供一种与具体属性无关的解决方案。CurvFed尤其适用于涉及单个或多用户边缘设备的实际人体感知联邦学习场景，这些设备可能存在未知或多种偏见因素。我们通过理论分析和实证研究，以及使用四个真实数据集并在资源受限的设备构成的测试环境中进行的全面评估，验证了CurvFed的可行性。此外，我们还对本地训练数据量、客户端采样、通信开销、资源成本和运行性能进行了敏感性分析，以证明其在实际联邦学习边缘设备部署中的适用性。CurvFed的实现代码可在以下地址获取：Github-repo

AI总结

AI生成的总结（实验性内容）

此总结是由自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、判断文章的实用性，以及帮助来自相关研究领域的读者理解本文内容。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的主要总结内容。完整文章才是最具权威性的版本。点击此处了解更多。

点击这里，可以对此总结的准确性、清晰度和实用性发表意见。您的反馈将有助于改进未来的总结版本。

要查看此由AI生成的通俗语言总结，您需要拥有高级访问权限。