科研之友
微信
新浪微博
Facebook
分享链接
摘要
联邦学习使用来自多个参与者提供的数据来协同训练全局模型，近年来在促进企业间数据合作方面发挥着越来越重要的作用。另一方面，联邦学习训练范式常常面临数据不足的困境，因此为联邦学习参与者提供公平性保证以激励更多参与者贡献他们宝贵的资源是非常重要的。本文针对联邦学习的公平性问题，首先依据公平目标不同，从模型表现均衡、贡献评估公平、消除群体歧视出发进行了联邦学习公平性的三种分类，并对现有的公平性促进方法进行了深入的介绍与比较，旨在帮助研究者开发新的公平性促进方法。最后通过对联邦学习落地过程中的需求剖析，提出了未来联邦学习公平性研究的五个方向。
-
单位平安科技（深圳）有限公司; 中国科学技术大学; 平安科技(深圳)有限公司
