CurvFed：基于曲率对齐的联邦学习技术，实现无特征偏见的公平性

《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往往依赖于分散在用户和设备中的数据，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，而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性联邦学习方法，它基于理论框架，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）。该方法利用“等效损失函数曲率对应不同敏感属性群体间模型效果一致”的理论，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，从而在客户端内部及客户端之间实现模型行为的统一，为算法公平性提供了一条与具体属性无关的解决方案。CurvFed尤其适用于涉及单个或多个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验证，以及使用四个真实数据集并在资源受限的异构测试平台上进行的测试，证明了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，进一步说明其在实际联邦学习边缘设备部署中的应用潜力。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）

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、评估文章相关性，以及让相关领域的读者更好地理解本文内容。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。完整文章才是权威版本。点击此处了解更多。

点击此处，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AI生成的通俗语言总结，您需要拥有高级访问权限。