Key points are not available for this paper at this time.
يوفر التعلم الفيدرالي مع الخصوصية الاختلافية، أو التعلم الفيدرالي الخاص، استراتيجية لتدريب نماذج التعلم الآلي مع احترام خصوصية المستخدمين. ومع ذلك، يمكن أن تؤدي الخصوصية الاختلافية إلى تدهور الأداء بشكل غير متناسب لنماذج التعلم على المجموعات غير الممثلة، حيث أن هذه الأجزاء من التوزيع يصعب تعلمها في وجود الضوضاء. لقد اعتبرت الطرق الحالية المفروضة لتحقيق العدالة في نماذج التعلم الآلي الإعداد المركزي، حيث يكون للخوارزمية الوصول إلى بيانات المستخدمين. تقدم هذه الورقة خوارزمية لتعزيز العدالة الجماعية في التعلم الفيدرالي الخاص، حيث لا تترك بيانات المستخدمين أجهزةهم. أولاً، توسع الورقة الطريقة المعدلة لمضاعفات الاختلاف لتقليل المخاطر التجريبية مع قيود العدالة، مما يوفر خوارزمية لتعزيز العدالة في الإعداد المركزي. ثم، يتم توسيع هذه الخوارزمية لتطبيق التعلم الفيدرالي الخاص. تم اختبار الخوارزمية المقترحة، FPFL، على نسخة فيدرالية من مجموعة بيانات البالغين ونسخة "غير عادلة" من مجموعة بيانات FEMNIST. تظهر التجارب على هذه المجموعات كيف يعزز التعلم الفيدرالي الخاص عدم العدالة في النماذج المدربة، وكيف أن FPFL قادر على التخفيف من مثل هذه عدم العدالة.
درس رودريغيز-غالفز وآخرون (الجمعة) هذا السؤال.