计算机科学 > 机器学习
[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
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。
文献和引用工具
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
推荐器和搜索工具
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.