Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2506.21095

帮助 | 高级搜索

计算机科学 > 机器学习

arXiv:2506.21095 (cs)
[提交于 2025年6月26日 (v1) ,最后修订 2025年7月15日 (此版本, v2)]

标题: FeDa4Fair:用于公平性评估的客户端级联邦数据集

标题: FeDa4Fair: Client-Level Federated Datasets for Fairness Evaluation

Authors:Xenia Heilmann, Luca Corbucci, Mattia Cerrato, Anna Monreale
摘要: 联邦学习(FL)使得在不共享客户端私有数据的情况下,多个客户端可以协作进行模型训练。 然而,公平性仍然是一个关键问题,因为本地客户端数据集中的偏差可能会影响整个联邦系统。 客户端之间异构的数据分布可能导致某些客户端的模型比其他客户端更公平。 尽管文献中存在一些增强公平性的解决方案,但大多数专注于减轻单一敏感属性的偏差,通常是二元的,忽略了不同客户端的不同且有时冲突的公平需求。 这种有限的视角可能会限制对不同客户端的公平干预的有效性。 为了支持联邦学习中更稳健和可重复的公平性研究,我们旨在在全局和客户端层面实现公平意识的联邦学习方法的一致基准测试。 在本文中,我们从三个方面做出贡献: (1)我们介绍了FeDa4Fair,一个用于生成表格数据集的库,这些数据集针对在异构客户端偏差下评估公平联邦学习方法;(2)我们发布了四个具有偏差异构性的数据集以及相应的基准,以在受控环境中比较公平性缓解方法;(3)我们提供了可用于评估这些数据集公平性结果的即用型函数。
摘要: Federated Learning (FL) enables collaborative model training across multiple clients without sharing clients' private data. However, fairness remains a key concern, as biases in local clients' datasets can impact the entire federated system. Heterogeneous data distributions across clients may lead to models that are fairer for some clients than others. Although several fairness-enhancing solutions are present in the literature, most focus on mitigating bias for a single sensitive attribute, typically binary, overlooking the diverse and sometimes conflicting fairness needs of different clients. This limited perspective can limit the effectiveness of fairness interventions for the different clients. To support more robust and reproducible fairness research in FL, we aim to enable a consistent benchmarking of fairness-aware FL methods at both the global and client levels. In this paper, we contribute in three ways: (1) We introduce FeDa4Fair, a library to generate tabular datasets tailored to evaluating fair FL methods under heterogeneous client bias; (2) we release four bias-heterogeneous datasets and corresponding benchmarks to compare fairness mitigation methods in a controlled environment; (3) we provide ready-to-use functions for evaluating fairness outcomes for these datasets.
主题: 机器学习 (cs.LG) ; 人工智能 (cs.AI)
引用方式: arXiv:2506.21095 [cs.LG]
  (或者 arXiv:2506.21095v2 [cs.LG] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.21095
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Mattia Cerrato [查看电子邮件]
[v1] 星期四, 2025 年 6 月 26 日 08:43:12 UTC (475 KB)
[v2] 星期二, 2025 年 7 月 15 日 13:22:28 UTC (475 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.LG
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs
cs.AI

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号